Anthropic
Tool use 心智模型
LLM 不會自己改檔案，是透過 tool definitions 跟 harness 協作。為什麼 Claude 在 tool use 上特別強。
TL;DR
- LLM 只會「吃 text 吐 text」——它連讀檔都做不到
- 真的去讀檔、跑 cmd、改檔的是 harness（Claude Code 本體），LLM 只負責「決定要呼叫哪個 tool」
- Claude 在 tool use 上特別穩：訓練時就教過格式，幻覺 tool name / argument 的機率低
一個直覺檢查：Claude Code 真的有打開你的 terminal 嗎
你叫 Claude Code 跑 npm test，它真的打開了一個 terminal、執行 npm、把結果讀回來嗎？
是，但動手的不是 LLM。
LLM——不管是 Claude、GPT、Gemini——本質上都只做一件事：吃 text in、吐 text out。它沒有手指、沒有檔案系統、沒有 process。
所以 Claude Code 看起來會用 terminal，是因為有一套協作協定讓 LLM 跟「真的能動手的程式」溝通。這套協定叫 tool use。
三層分工
把 Claude Code 拆開來看：
| 層 | 是誰 | 負責什麼 |
|---|---|---|
| Model | Claude（Opus / Sonnet / Haiku） | 想：要做什麼、用哪個 tool、傳什麼參數 |
| Harness | Claude Code CLI 本體 | 動：真的去讀檔、跑 cmd、改檔 |
| You | 你 | 給目標、看 plan、批准動作 |
Tool use 就是把「想」跟「動」分離的協定。
一個 turn 長什麼樣
從你按 enter 那刻起：
- 你的 prompt 進去：例如「main.go 裡寫了什麼？」
- Harness 包 tool definitions 一起送：附上一張 menu「你可以用 ReadFile、Bash、Edit……每個 tool 的 schema 是這樣」
- Model 回 tool call：不是回答你，而是「我要用 ReadFile，參數是 main.go」這樣的格式化文字
- Harness 真的跑：開檔、把內容讀出來
- 結果塞回對話：harness 把檔案內容當成 tool result 餵回去
- Model 看到結果，產出最終答案：「main.go 裡是 ...」
整個過程裡 model 只負責輸出格式正確的 tool call。動手永遠是 harness 在做。
講白一點：「LLM 讀檔」這件事是一種 UI 錯覺。LLM 從來沒讀過檔，它只是寫了「我想讀檔」這句話。
為什麼 Claude 特別強
Tool use 不是 Claude 獨有——所有 frontier model 都有。但 Claude 在這件事上有訓練上的優勢：
- 格式幻覺率低：tool name 拼錯、argument schema 不對的機率比同級競品低
- 會選工具：給它 10 個 tools，它能挑對的組合，不會每次都用同一個
- 沒看過的 tool 也用得來：你裝個 MCP server 進來，它讀完 description 就會用
這對 Claude Code 有三個直接好處：
| 好處 | 為什麼重要 |
|---|---|
| 接得住複雜 task | 一個 task 拆成 5 個 tool call 也不會中途亂套 |
| 容易擴充 | MCP server / hooks / custom commands 加進來都能用 |
| 安全性高 | 用 grep / glob 找東西，不用先把整個 repo 上傳到 indexing service |
第三點容易被忽略：很多競品需要把 codebase 上傳到雲端做 vector index，Claude Code 全部用本地 tools（grep、find、read），程式碼從不離開你的機器（除了傳給 model 的那段對話本身）。
接下來
下一篇把這個抽象的「3 層分工」具象化——一個真實 session 從 prompt 到 commit，每一步發生什麼事？