传统软件开发中，我们花大量精力设计用户界面（HCI）：按钮放在哪里、文案怎么写、交互怎么反馈。但当 Agent 成为系统的用户时，界面变成了工具定义。工具的名字、参数、描述，就是 Agent 的用户界面。

业界最佳实践建议：像给一个聪明但没有上下文的初级开发者写文档一样写工具描述。这个开发者什么都不知道，但理解力很强，你需要告诉他所有前提条件。

Think Tool 的实现简单到令人惊讶：它就是一个只接受一段文字、什么都不做的工具。

在 τ-bench（一个模拟真实客服场景的 Agent 评测基准）上测试 Think Tool 的效果：

点击下方 Tab 切换模式，然后逐步展开 Agent 的处理过程。看看有没有 Think Tool，结果会有多大差异。

from langchain_core.tools import tool

@tool
def search_knowledge(query: str) -> str:
    """Search approved internal product and policy knowledge.
    Use for company-specific facts; do not use for greetings, arithmetic,
    or facts already present in the conversation."""
    vector = encoder.encode([query], normalize_embeddings=True).tolist()
    hits = client.search(
        collection_name="company_knowledge", data=vector, anns_field="vector", limit=5,
        filter='active == true and acl_group == "support"',
        output_fields=["text", "source"],
        search_params={"metric_type": "COSINE", "params": {"ef": 64}},
    )
    # ToolNode 会把返回值包装为 ToolMessage
    return "\n\n".join(
        f"[{hit['entity']['source']}] {hit['entity']['text']}"
        for hit in hits[0]
    )