anthropic-tool-mastery

Anthropic ツールの習熟

Agent Skills™ の一部です。googleadsagent.ai™ 提供

説明

Anthropic ツールの習熟は、Claude のネイティブな tool_use 機能を最大限に活用するための決定版スキルです。Claude のツールシステムは、単なる関数呼び出しインターフェースではありません。モデルが問題を分解し、並列操作を実行し、ストリーミング結果を処理し、拡張思考を通じてツールの出力を連鎖させるための、構造化された推論プロトコルです。こうしたパターンを習得することで、一度に1つのツールをぎこちなく呼び出すエージェントと、熟練エンジニアのように複雑な複数ツールのワークフローを流暢に連携させるエージェントとの差が生まれます。

このスキルでは、googleadsagent.ai™ の Buddy™ エージェントで実証されたパターンを体系化しています。そこでは、単一の推論ターン内で、Google Ads API の同時呼び出し、ウェブ検索、ファイル操作、分析計算をツールオーケストレーションによって処理します。手法は、ツール定義の設計（スキーマの品質は呼び出し精度に直接影響します）、並列実行（単一ターン内での複数の独立したツール呼び出し）、結果の組み合わせ（並列呼び出しの出力の統合）、エラー復旧（複数ツールのバッチ処理における部分的な失敗への対処）を対象としています。

高度なパターンには、リアルタイムのフィードバックを得るためのツール結果のストリーミング、拡張思考との統合（実行前に思考ブロックを使ってツールの実行順序を計画すること）、重複した呼び出しを避けるためのツール結果のキャッシュなどがあります。これらの手法は、Claude Code の組み込みツールに直接適用でき、カスタム MCP サーバーのツールにも応用できます。

使用する場面

• 推論ターンごとに複数のツールを呼び出す必要があるエージェントを構築するとき
• ツール呼び出しの精度が許容できる水準に達していないとき（パラメーターの誤り、選択するツールの誤り）
• 長時間実行されるツール操作からリアルタイムのストリーミングフィードバックが必要なとき
• 拡張思考をツールの選択やパラメーターの組み立てに反映させる必要があるとき
• 複数ツールのワークフローで、連携や結果の組み合わせが必要なとき
• モデルとの互換性を最大限に高めるカスタムツールを設計するとき

仕組み

sequenceDiagram
    participant U as User/System
    participant C as Claude (Extended Thinking)
    participant T1 as Tool A
    participant T2 as Tool B
    participant T3 as Tool C

    U->>C: Task + Tool Definitions
    Note over C: Extended Thinking:<br/>Plan tool sequence
    C->>T1: Parallel Call 1
    C->>T2: Parallel Call 2
    T1-->>C: Result A (streamed)
    T2-->>C: Result B (streamed)
    Note over C: Extended Thinking:<br/>Compose results, plan next step
    C->>T3: Sequential Call (depends on A+B)
    T3-->>C: Result C
    C->>U: Final composed response

Claude のツール実行モデルは、1回のアシスタントターン内で、独立したツール呼び出しを並列に実行できます。モデルは拡張思考を使ってツールの実行順序を計画し、独立している（並列化できる）呼び出しと、依存関係がある（順番に実行する必要がある）呼び出しを特定します。ストリーミングを有効にすると、長時間実行されるツールの進捗をリアルタイムで確認できます。すべてのツール結果が届くと、拡張思考によって結果を一貫性のある応答にまとめるか、次のツール呼び出しを計画します。

実装

最適なツール定義パターン：

{
  "name": "search_knowledge_base",
  "description": "Search the domain knowledge base for patterns matching a query. Returns ranked results with confidence scores. Use this BEFORE generating recommendations to ground them in verified patterns.",
  "input_schema": {
    "type": "object",
    "properties": {
      "query": {
        "type": "string",
        "description": "Natural language search query describing the pattern or information needed"
      },
      "category": {
        "type": "string",
        "enum": ["bidding", "targeting", "creative", "budget", "general"],
        "description": "Knowledge category to search within"
      },
      "max_results": {
        "type": "integer",
        "default": 5,
        "description": "Maximum number of results to return (1-20)"
      }
    },
    "required": ["query"]
  }
}

並列ツール実行ハンドラー：

interface ToolCall {
  id: string;
  name: string;
  input: Record<string, unknown>;
}

interface ToolResult {
  tool_use_id: string;
  content: string;
  is_error: boolean;
}

async function executeToolCalls(calls: ToolCall[], registry: ToolRegistry): Promise<ToolResult[]> {
  const results = await Promise.allSettled(
    calls.map(async (call) => {
      const handler = registry.get(call.name);
      if (!handler) {
        return { tool_use_id: call.id, content: `Unknown tool: ${call.name}`, is_error: true };
      }
      try {
        const result = await handler.execute(call.input);
        return { tool_use_id: call.id, content: JSON.stringify(result), is_error: false };
      } catch (error) {
        return { tool_use_id: call.id, content: `Error: ${String(error)}`, is_error: true };
      }
    })
  );

  return results.map((r) =>
    r.status === "fulfilled" ? r.value : { tool_use_id: "", content: `Execution failed: ${r.reason}`, is_error: true }
  );
}

ツール結果のストリーミング統合：

async def stream_tool_execution(client, messages, tools):
    """Execute tools with streaming for real-time progress."""
    async with client.messages.stream(
        model="claude-sonnet-4-20250514",
        max_tokens=8096,
        tools=tools,
        messages=messages,
    ) as stream:
        tool_calls = []
        async for event in stream:
            if event.type == "content_block_start" and event.content_block.type == "tool_use":
                tool_calls.append({
                    "id": event.content_block.id,
                    "name": event.content_block.name,
                    "input_json": "",
                })
            elif event.type == "content_block_delta" and hasattr(event.delta, "partial_json"):
                tool_calls[-1]["input_json"] += event.delta.partial_json
            elif event.type == "content_block_stop" and tool_calls:
                call = tool_calls[-1]
                call["input"] = json.loads(call["input_json"])

        if tool_calls:
            results = await execute_parallel_tools(tool_calls)
            messages.append({"role": "assistant", "content": stream.get_final_message().content})
            messages.append({"role": "user", "content": results})
            return await stream_tool_execution(client, messages, tools)

        return stream.get_final_message()

ツール結果のキャッシュ：

class ToolCache:
    def __init__(self, ttl_seconds=300):
        self.cache = {}
        self.ttl = ttl_seconds

    def cache_key(self, tool_name: str, params: dict) -> str:
        normalized = json.dumps(params, sort_keys=True)
        return f"{tool_name}:{hashlib.sha256(normalized.encode()).hexdigest()[:16]}"

    async def execute_with_cache(self, tool_name, params, executor):
        key = self.cache_key(tool_name, params)
        if key in self.cache:
            entry = self.cache[key]
            if time.time() - entry["timestamp"] < self.ttl:
                return entry["result"]

        result = await executor(tool_name, params)
        self.cache[key] = {"result": result, "timestamp": time.time()}
        return result

ベストプラクティス

1. ツールを使う場面がわかる説明を書く — モデルは説明に基づいてツールを選択します。「推奨事項の生成前に使用してください」は、「データベースを検索します」より効果的です。
2. 値に制約があるパラメーターには列挙型を使う — パラメーターに有効な値の固定セットがある場合は、必ず列挙型を使います。これにより、パラメーターの誤りを引き起こす原因を一つ取り除けます。
3. 並列実行を前提に設計する — 可能な限り、ツールを独立させ、副作用のないものにします。モデルは独立した呼び出しを自然に並列化します。
4. 部分的な失敗にも適切に対処する — 4つの並列ツール呼び出しのうち3つが成功した場合は、バッチ全体を失敗させるのではなく、成功した3つの結果を使います。
5. 決定的なツール結果をキャッシュする — 同じデータに同じクエリを実行すると同じ結果が得られる場合は、重複した計算とトークン消費を避けるためにキャッシュします。
6. ツール結果のペイロードはコンパクトに保つ — 大きなツール結果はコンテキストウィンドウを消費します。データベースの行全体ではなく、モデルに必要なフィールドだけを返します。
7. ツールスキーマをバージョン管理する — ツールのインターフェースが変わったら、モデルを新しいパラメーター形式に誘導するため、説明を更新します。

プラットフォームの互換性

機能	Claude Code	Cursor	Codex	Gemini CLI
ネイティブな tool_use	✅ 完全対応	✅ API 経由	⚠️ 関数呼び出し	⚠️ 関数呼び出し
並列ディスパッチ	✅ ネイティブ対応	✅ ネイティブ対応	✅ 対応	✅ 対応
結果のストリーミング	✅ 完全対応	✅ 完全対応	✅ 対応	✅ 対応
拡張思考	✅ ネイティブ対応	⚠️ モデルに依存	❌ 利用不可	⚠️ 制限あり
ツール結果のキャッシュ	✅ カスタム	✅ カスタム	✅ カスタム	✅ カスタム

関連スキル

• プロンプトアーキテクチャ - ツール選択の精度とパラメーターの構築を最適化する構造的なプロンプト設計
• コンテキストエンジニアリング - ツールの結果をコンテキスト制限内に収めるためのトークン予算管理
• マルチハーネスの移植性 - あらゆるハーネスで動作するツール連携を記述するための、クロスプラットフォームなツール抽象化

キーワード

tool-use, parallel-tool-calling, streaming, extended-thinking, tool-definitions, tool-orchestration, result-composition, error-recovery, tool-caching, agent-skills

---

© 2026 googleadsagent.ai™ | Agent Skills™ | MIT License