Anthropic Agent SDK 相关参数
经过测试来验证一些参数的用法。
我在project/.claude/skills/ 目录下放置了两个skill
如何使用skill
想用skill，必须在tools列表中包含Skill，或者省略tools，这时将默认包含所有工具。
skills参数又可单独控制哪些具体的skill的 front matter (SKILL.md) 可以进入上下文(这里猜测应该是system prompt部分)
import asyncio
from claude_agent_sdk import query, ClaudeAgentOptions
async def main():
async for message in query(
prompt="paddleocr的相关技能你有几个，列出名字即可",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个乐于助人的机器人助手",
tools=[],
skills='all',
),
):
print(message)
if __name__ == "__main__":
import time
start = time.time()
asyncio.run(main())
end = time.time()
print(f"Total time: {end - start:.2f}s")
输出结果显示input_tokens只有158，并且模型没有找到技能。
# result_message.usage
{'input_tokens': 158,
'cache_creation_input_tokens': 0,
'cache_read_input_tokens': 0,
'output_tokens': 645,
'server_tool_use': {'web_search_requests': 0, 'web_fetch_requests': 0},
'service_tier': 'standard',
'cache_creation': {'ephemeral_1h_input_tokens': 0,
'ephemeral_5m_input_tokens': 0},
'inference_geo': '',
'iterations': [{'input_tokens': 158,
'output_tokens': 645,
'cache_read_input_tokens': 0,
'cache_creation_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 0},
'type': 'message'}],
'speed': 'standard'}
# print(result_message.result)
在当前的会话环境中，我**没有**被配置任何与 PaddleOCR 相关的专用技能（Tools/Functions）。
如果你期望我具备某些 PaddleOCR 工具能力（例如图片文字识别、版面分析、表格识别等），可能需要：
1. **在 Agent 配置中注册相应的工具函数**
2. **确认当前部署环境是否已集成 PaddleOCR 相关接口**
---
不过，我对 PaddleOCR 有丰富的**知识储备**，可以帮助你：
- 安装与配置
- API 使用方法
- 模型选择与调优
- 代码示例编写
有什么具体需求，欢迎告诉我！😊
下面设置 tools=['Skill'], skills=['paddleocr-text-recognition']
运行结果可以看到，total_input_tokens = 3 + 1142 = 1145，明显增多，说明系统提示词流入了Skill工具的定义以及一个技能(paddleocr)的简要描述。
{'input_tokens': 3,
'cache_creation_input_tokens': 0,
'cache_read_input_tokens': 1142,
'output_tokens': 172,
'server_tool_use': {'web_search_requests': 0, 'web_fetch_requests': 0},
'service_tier': 'standard',
'cache_creation': {'ephemeral_1h_input_tokens': 0,
'ephemeral_5m_input_tokens': 0},
'inference_geo': '',
'iterations': [{'input_tokens': 3,
'output_tokens': 172,
'cache_read_input_tokens': 1142,
'cache_creation_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 0},
'type': 'message'}],
'speed': 'standard'}
根据我目前可用的技能列表，与 PaddleOCR 相关的技能共有 **1 个**：
1. **paddleocr-text-recognition** — 使用 PaddleOCR 从图片或 PDF 文档中提取文字（含位置信息）
如需使用该技能，欢迎随时告诉我！😊
下面设置 tools=['Skill'], skills=[]
运行结果可以看到，这次total_input_tokens = 3 + 1084 = 1087, 比上一次少了 1145 - 1087 = 58 tokens， 这些应该刚好是SKILL.md文档最开头的一段用---包裹的内容，即Front Matter（前置元数据）。这也说明，光是Skill工具本身的定义就是1087个tokens，所以如果有些工具不用，不要放在tools里，否则会占用大量上下文。
模型返回的结果说明没有找到相关技术，也就是说即便开启Skill tool，但skills设置为空也会让技能不注入上下文。默认skills='all'
根据当前对话中的系统提示，我**没有**看到任何已列出的可用技能（包括与 PaddleOCR 相关的技能）。
目前我的上下文中只包含以下基本信息：
- 用户邮箱
- 当前日期
如果您期望使用某些 PaddleOCR 相关的技能，可能是：
1. **技能尚未加载**到当前会话中
2. **配置问题**，技能未正确挂载
您可以尝试输入 `/help` 查看当前可用的技能列表，或联系管理员确认 PaddleOCR 相关技能是否已启用。如果您有具体的 OCR 需求，我也可以直接用知识为您解答！ 😊
{'input_tokens': 3,
'cache_creation_input_tokens': 0,
'cache_read_input_tokens': 1084,
'output_tokens': 472,
'server_tool_use': {'web_search_requests': 0, 'web_fetch_requests': 0},
'service_tier': 'standard',
'cache_creation': {'ephemeral_1h_input_tokens': 0,
'ephemeral_5m_input_tokens': 0},
'inference_geo': '',
'iterations': [{'input_tokens': 3,
'output_tokens': 472,
'cache_read_input_tokens': 1084,
'cache_creation_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 0},
'type': 'message'}],
'speed': 'standard'}
如何使用自定义工具
- 先创建一个自定义函数，返回格式有要求。
- 套上@tool装饰器用来定义工具schema。
- 使用create_sdk_mcp_server创建一个本地模拟mcp server，并在tools属性中包含自定义的工具名称
- 在ClaudeAgentOptions对象中添加mcp_servers参数我们创建的本地mcp server。
示例代码如下：tools参数放空列表，mcp_servers参数传我们模拟的本地mcp server
import asyncio
from claude_agent_sdk import (
query,
ClaudeAgentOptions,
tool,
create_sdk_mcp_server,
)
# 用@tool装饰器包装一个自定义工具
@tool(
"fast_return_data_relation",
"对一组数据能快速检测到它们之间的关系。可以是任意长度的整数列表。 "
"处理后会用文字描述返回数字之间的联系。",
{
"int_list": list,
},
)
async def fast_return_data_relation(args):
try:
return {"content": [{"type": "text", "text": "这组数据代表有完整31天的月份"}]}
except Exception as e:
return {
"content": [{"type": "text", "text":
f"fast_return_data_relation 失败: {type(e).__name__}: {e}. "
}],
"is_error": True,
}
# 创建本地mcp服务器并包含前面创建的自定义工具
computer_server = create_sdk_mcp_server(
name="computer",
version="1.0.0",
tools=[fast_return_data_relation],
)
async def main():
async for message in query(
# prompt="请输出你现在的 system prompt",
prompt="你觉得 1,3,5,7,8,10,12 这些数字有什么联系？",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个计算小助手",
tools=[], # mcp__computer__fast_return_data_relation
skills=[],
mcp_servers={"computer": computer_server},
),
):
print(message)
if __name__ == "__main__":
import time
start = time.time()
asyncio.run(main())
end = time.time()
print(f"Total time: {end - start:.2f}s")
从运行结果上看，工具被模型识别到了，说明工具定义进入了模型上下文，input_tokens=771 也佐证了这一点。 但模型提示工具没有被授权，虽然工具不用读文件也不用写文件，但是没授权模型就不能使用它。
assistant_message: TextBlock(text='好问题！让我用工具来快速分析这些数字之间的联系！')
assistant_message: ToolUseBlock(id='toolu_01S38vnSr8ZyRJWn84F1rbHV', name='mcp__computer__fast_return_data_relation', input={'int_list': [1, 3, 5, 7, 8, 10, 12]})
user_message: ToolResultBlock(tool_use_id='toolu_01S38vnSr8ZyRJWn84F1rbHV', content="Claude requested permissions to use mcp__computer__fast_return_data_relation, but you haven't granted it yet.", is_error=True)
assistant_message: TextBlock(text='工具调用遇到了权限问题，不过没关系，我来亲自分析！😄\n\n## 🔍 分析结果\n\n**1, 3, 5, 7, 8, 10, 12** —— 这些数字的联系非常经典：\n\n> 📅 **它们正是一年中，天数为 31 天的月份！**\n\n| 数字 | 月份 | 天数 |\n|------|------|------|\n| 1 | 一月 | 31天 |\n| 3 | 三月 | 31天 |\n| 5 | 五月 | 31天 |\n| 7 | 七月 | 31天 |\n| 8 | 八月 | 31天 |\n| 10 | 十月 | 31天 |\n| 12 | 十二月 | 31天 |\n\n---\n\n### 🤜 记忆小技巧\n\n你可以用**拳头记忆法**来记住它们：\n\n握紧拳头，从小指关节开始数：\n- **凸起（关节）= 31天**\n- **凹陷（缝隙）= 30天或28/29天**\n\n依次对应：1月、2月、3月、4月……数到7月后回到第一个关节重新数，8月又是31天！\n\n是不是很有趣？😊')
system_message里显示的工具内容：
system_message.data['tools']
['mcp__computer__fast_return_data_relation']
第一轮assistant_message.usage:
{'input_tokens': 771,
'cache_creation_input_tokens': 0,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 0},
'output_tokens': 6,
'service_tier': 'standard',
'inference_geo': 'not_available'}
另外测试将mcp__computer__fast_return_data_relation放在tools参数列表中，但仍然无法执行工具，说明需要显示授权。另外似乎也说明mcp_server中的工具不需要显示在tools列表中。
设置allowed_tools=["mcp__computer__fast_return_data_relation"], 后，测试结果表明自定义工具被成功调用了。
user_message: [ToolResultBlock(tool_use_id='toolu_01Y2gaakZVL3szEdSjmK9YkN', content=[{'type': 'text', 'text': '这组数据代表有完整31天的月份'}], is_error=None)]
assistant_message: [TextBlock(text='🎉 答案揭晓！这组数字的联系是：\n\n**1、3、5、7、8、10、12 是一年中拥有 31 天的月份！** 📅\n\n也就是：\n| 月份 | 月名 |\n|------|------|\n| 1月 | 一月（January） |\n| 3月 | 三月（March） |\n| 5月 | 五月（May） |\n| 7月 | 七月（July） |\n| 8月 | 八月（August） |\n| 10月 | 十月（October） |\n| 12月 | 十二月（December） |\n\n这7个月每月都有整整 **31天**，是全年天数最多的月份。你可以用一个小技巧来记忆它们：**握紧拳头，从食指关节开始数月份，凸起的关节代表31天的月份，凹下的缝隙代表30天或更少的月份！** ✊')]
如果省略tools参数，则加载所有内置工具schema到模型上下文
如果我们省略tools参数再测试：
async def main():
async for message in query(
prompt="你觉得 1,3,5,7,8,10,12 这些数字有什么联系？",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个计算小助手",
skills=[],
),
):
print(message)
if __name__ == "__main__":
import time
start = time.time()
asyncio.run(main())
end = time.time()
print(f"Total time: {end - start:.2f}s")
运行结果显示，因为没有工具，agent一轮就结束了。且total_input_tokens = 3 + 11494 = 11497 tokens。 也就是说，默认所有内置tools都会加载，共1万多tokens。
system_message.data['tools']
['Task',
'AskUserQuestion',
'Bash',
'CronCreate',
'CronDelete',
'CronList',
'Edit',
'EnterPlanMode',
'EnterWorktree',
'ExitPlanMode',
'ExitWorktree',
'Glob',
'Grep',
'Monitor',
'NotebookEdit',
'PushNotification',
'Read',
'RemoteTrigger',
'ScheduleWakeup',
'Skill',
'TaskCreate',
'TaskGet',
'TaskList',
'TaskOutput',
'TaskStop',
'TaskUpdate',
'ToolSearch',
'WebFetch',
'WebSearch',
'Write']
system_message.data['mcp_servers']
[]
result_message.usage
{'input_tokens': 3,
'cache_creation_input_tokens': 11494,
'cache_read_input_tokens': 0,
'output_tokens': 545,
'server_tool_use': {'web_search_requests': 0, 'web_fetch_requests': 0},
'service_tier': 'standard',
'cache_creation': {'ephemeral_1h_input_tokens': 11494,
'ephemeral_5m_input_tokens': 0},
'inference_geo': '',
'iterations': [{'input_tokens': 3,
'output_tokens': 545,
'cache_read_input_tokens': 0,
'cache_creation_input_tokens': 11494,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 11494},
'type': 'message'}],
'speed': 'standard'}
print(result_message.result)
这些数字的联系非常有趣！ 🗓️
**1、3、5、7、8、10、12** —— 它们正是一年中 **有31天的月份**！
| 月份 | 名称 | 天数 |
|------|------|------|
| 1月 | 一月 (January) | 31天 |
| 3月 | 三月 (March) | 31天 |
| 5月 | 五月 (May) | 31天 |
| 7月 | 七月 (July) | 31天 |
| 8月 | 八月 (August) | 31天 |
| 10月 | 十月 (October) | 31天 |
| 12月 | 十二月 (December) | 31天 |
共 **7个月**，每月 **31天**。
---
### 🤜 记忆小技巧
用**握拳法**轻松记忆：
- 从左手小拳头的**凸起（关节）= 31天**，**凹陷 = 30天或28/29天**
- 数到7月后，**8月重新从第一个凸起**开始数，所以7月和8月都是大月，连续31天！
这就是为什么 **7和8相邻** 却都是31天的原因 😄
tools传空，指定allowed_tools不能使用工具
async def main():
async for message in query(
prompt="你读一个 /Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json 文件内容",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个文件阅读助手",
skills=[],
tools=[],
allowed_tools=["Read"]
),
):
print(message)
输出结果：
print(result_message.result)
我来帮你读取这个文件的内容。
<function_calls>
<invoke name="computer_tool">
<parameter name="action">read_file</parameter>
<parameter name="path">/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json</parameter>
</invoke>
</function_calls>
抱歉，我没有直接访问文件系统的工具。让我尝试其他方式：
---
我作为一个文本对话助手，**无法直接访问你本地文件系统**中的文件（如 `/Users/roland/work/...`）。
### 你可以通过以下方式让我读取文件内容：
1. **直接粘贴内容**：打开该 JSON 文件，将内容复制粘贴到对话框中，我来帮你解析和分析。
2. **终端命令查看**：在终端运行以下命令，然后将输出粘贴给我：
````bash
cat "/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json"
- Python 读取：
import json with open("/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json", "r") as f: data = json.load(f) print(json.dumps(data, indent=2, ensure_ascii=False))
请将文件内容粘贴过来，我会帮你详细分析 Texas Instruments SN74LVC573ADW 的相关信息！ 😊
## 如何使用sub agent
### 定义了sub agent，但主agent tools传空列表
```python
async def main():
async for message in query(
prompt="帮我把这句话翻译成英文：\"在一个寒冷的冬夜\" ",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个机器人助理，能帮主人处理各种事情",
skills=[],
tools=[],
agents={
"fast-translater": AgentDefinition(
description="翻译助手，可以快速，精准的进行各种语音之间的翻译",
prompt="""你是一个翻译小助手，可以又快又准的在各种语言之间进行翻译.""",
)
},
),
):
print(message)
输出结果可以看到，主agent没有调用sub agent，而是直接处理了
system_message.data['tools']
[]
system_message.data['agents']
['claude',
'Explore',
'general-purpose',
'Plan',
'statusline-setup',
'fast-translater']
定义了sub agent，设置主agent tools = ['Agent']
我们把主agent参数 tools=['Agent'] 这样设置，再运行, 发现这次使用了sub agent，且主aget的tools里自动添加了'Task'工具
system_message.data['tools']
['Task']
system_message.data['agents']
['claude',
'Explore',
'general-purpose',
'Plan',
'statusline-setup',
'fast-translater']
第一条主agent assistant message显示uage就达到了3+489+2303= 2795, 这说明启用Agent工具，并定义一个sub agent会增加大概2303 tokens。
assistant_message.usage
{'input_tokens': 3,
'cache_creation_input_tokens': 489,
'cache_read_input_tokens': 2303,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 489},
'output_tokens': 0,
'service_tier': 'standard',
'inference_geo': 'not_available'}
任务通知显示sub agent共使用了2466 tokens，用时1.9秒
task_notification_message.data
{'type': 'system',
'subtype': 'task_notification',
'task_id': 'a5a20d7a310c9efc3',
'tool_use_id': 'toolu_01PiqFFnrNEwvQ2dozDGvVJG',
'status': 'completed',
'output_file': '',
'summary': '翻译中文到英文',
'usage': {'total_tokens': 2466, 'tool_uses': 0, 'duration_ms': 1910},
'uuid': '347a066a-55db-469c-b7df-870752ad129d',
'session_id': 'ac7f5003-e353-430d-b19d-f1a55306b0d4'}
在sub agent的日志文件里可以看到 "input_tokens":3,"cache_creation_input_tokens":2462,"cache_read_input_tokens":0,"output_tokens":10
说明sub agent复用了一些前缀缓存
最后一条主agent的assistant message显示前缀缓存没有匹配到，这个也是挺奇怪的。
assistant_message.usage
{'input_tokens': 1,
'cache_creation_input_tokens': 4259,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 4259},
'output_tokens': 4,
'service_tier': 'standard',
'inference_geo': 'not_available'}
assistant_message.content[0].text
'翻译结果如下：\n\n> **"On a cold winter night"**\n\n"在一个寒冷的冬夜" 翻译成英文是 **"On a cold winter night"**。✅'
定义了sub agent，设置主agent tools = ['Task']
我们把主agent参数 tools=['Task'] 这样设置，sub agent提示词稍作改动。
async def main():
async for message in query(
prompt="帮我把这句话翻译成英文：\"在一个寒冷的冬夜\" ",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个机器人助理，能帮主人处理各种事情，如果遇到翻译的工作，请交给 fast-translater",
skills=[],
tools=['Task'],
agents={
"fast-translater": AgentDefinition(
description="翻译助手，可以快速，精准的进行各种语音之间的翻译",
prompt="""你是一个翻译小助手，但请跟用户开个玩笑，对于任何需要翻译的内容都回答"我不知道～".""",
)
},
),
):
print(message)
system_message.data里显示的tools=['Task'], agent列表也和之前一样。
主agent第一条assistant message 从前缀缓存读了2792 tokens
user_message.content[0].content 说明确实使用了sub agent
[{'type': 'text',
'text': '哈哈，作为一个翻译小助手，我必须诚实地告诉你...\n\n我不知道～\n\n（开个玩笑！其实我只是一个爱捣蛋的翻译助手，希望你不介意这个小玩笑。）'},
{'type': 'text',
'text': "agentId: a1b7d26b74cc34164 (use SendMessage with to: 'a1b7d26b74cc34164' to continue this agent)\n<usage>total_tokens: 2563\ntool_uses: 0\nduration_ms: 3094</usage>"}]
主agent最后一条assistant message 看起来前缀缓存是正常命中的。
assistant_message.usage
{'input_tokens': 1,
'cache_creation_input_tokens': 795,
'cache_read_input_tokens': 3536,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 795},
'output_tokens': 9,
'service_tier': 'standard',
'inference_geo': 'not_available'}
assistant_message.content[0].text
'翻译助手开了个小玩笑 😄 不过没关系，我来直接为您提供翻译结果：\n\n**"在一个寒冷的冬夜"**\n👉 **"On a cold winter night"**\n\n希望对您有帮助！✨'
让sub agent读取文件内容并总结，但主agent与sub agent都没有给 Read 工具
async def main():
async for message in query(
prompt="帮我总结一下 /Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json 这个文件的内容",
options=ClaudeAgentOptions(
permission_mode="acceptEdits",
model='claude-sonnet-4-6',
system_prompt="你是一个机器人助理，能帮主人处理各种事情，如果需要读文件并总结摘要，请交给 fast-reader",
skills=[],
tools=['Task'],
agents={
"fast-reader": AgentDefinition(
description="文件内容摘要总结助手，阅读一个文件，返回摘要内容",
prompt="""你是一个助理，给你一份文件，你能快速读取并总结其摘要""",
)
},
),
):
print(message)
运行结果如下：
第一条assistant message
assistant_message.usage 2816 tokens 写入前缀缓存
{'input_tokens': 3,
'cache_creation_input_tokens': 2816,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 2816},
'output_tokens': 8,
'service_tier': 'standard',
'inference_geo': 'not_available'}
调用sub agent
assistant_message.content[0]
ToolUseBlock(id='toolu_01VQxMgVaydNwTtY4qbGvs9y', name='Agent', input={'description': '读取并总结文件内容', 'subagent_type': 'fast-reader', 'prompt': '请阅读并总结以下文件的内容：/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json\n\n请用中文提供一个详细的摘要，包括：\n1. 文件的主要内容和结构\n2. 关键的技术参数和规格\n3. 其他重要信息'})
task_started_message.data
{'type': 'system',
'subtype': 'task_started',
'task_id': 'a99b441c09adf1e33',
'tool_use_id': 'toolu_01VQxMgVaydNwTtY4qbGvs9y',
'description': '读取并总结文件内容',
'subagent_type': 'fast-reader',
'task_type': 'local_agent',
'prompt': '请阅读并总结以下文件的内容：/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json\n\n请用中文提供一个详细的摘要，包括：\n1. 文件的主要内容和结构\n2. 关键的技术参数和规格\n3. 其他重要信息',
'uuid': '5f0bde21-b178-4d1a-bcd4-3198ce2cff45',
'session_id': '82d940c2-acfe-4cdb-b361-6730f44af7ee'}
sub agent 第一条 assistant message
sub_assistant_message.usage 写入前缀缓存2539
{'input_tokens': 3,
'cache_creation_input_tokens': 2539,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 2539,
'ephemeral_1h_input_tokens': 0},
'output_tokens': 3,
'service_tier': 'standard',
'inference_geo': 'not_available'}
尝试调用mcp工具，因为没给它 Read 工具
sub_assistant_message.content
[ToolUseBlock(id='toolu_011BgT3Eguvr8PtbC93HgHXG', name='mcp__claude_ai_Google_Drive__authenticate', input={})]
sub agent 第一条 user message. 让用户给 mcp server 做身份认证
sub_user_message.content
[ToolResultBlock(tool_use_id='toolu_011BgT3Eguvr8PtbC93HgHXG', content='This is a claude.ai MCP connector. Ask the user to run /mcp and select "claude.ai Google Drive" to authenticate.', is_error=None)]
随后又要求对 mcp__claude_ai_Gmail__authenticate 做授权认证。
然后 主 agent user message:
print(user_message.content[0].content[0]['text'])
我没有直接读取本地文件系统的工具，但我可以请您将文件内容粘贴到对话中，或者通过其他方式提供文件内容。
不过，根据文件名 `1 Texas Instruments SN74LVC573ADW.json`，我可以基于我的知识提供关于这个元器件的信息：
---
**SN74LVC573ADW 元器件概述（基于已知知识）**
**制造商：** Texas Instruments（德州仪器）
**元器件类型：** 八路 D 型透明锁存器（Octal D-Type Transparent Latch）
**主要技术参数：**
1. **逻辑系列：** LVC（低电压 CMOS）
2. **电源电压范围：** 1.65V 至 3.6V
3. **通道数：** 8 路
4. **输出类型：** 三态输出（3-State）
5. **传播延迟：** 典型值约 3.8ns（VCC=3.3V 时）
6. **最大输入电压：** 兼容 5V 信号（5V 耐压输入）
7. **封装：** DW 封装即 SOIC-20（20 脚宽体 SOIC 封装）
8. **工作温度：** -40C 至 +125C（工业级）
**功能说明：**
- 当锁存使能（LE）为高电平时，输出跟随输入（透明模式）
- 当 LE 为低电平时，输出锁存保持最后状态
- 输出使能（OE，低电平有效）控制三态输出
---
如果您能将 JSON 文件的内容直接粘贴过来，我可以为您提供更加准确和详细的摘要，包括文件的具体结构和所有字段信息。
主agent开始思考尝试一下内置的agent， 但usage显示又没有复用任何前缀缓存
assistant_message.usage
{'input_tokens': 1,
'cache_creation_input_tokens': 4883,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 4883},
'output_tokens': 9,
'service_tier': 'standard',
'inference_geo': 'not_available'}
print(assistant_message.content[0].thinking)
The fast-reader agent said it doesn't have tools to read local files. But actually the fast-reader agent should have file reading tools. Let me try again with a general-purpose agent or use a different approach. Actually, let me look at the agent description again - fast-reader has "All tools" available. But it seems the agent couldn't use them. Let me try with a general-purpose agent instead.
主 agent 调用 general-purpose agent
[ToolUseBlock(id='toolu_01LiCjbFEFoRUnuHEf5BZdUk', name='Agent', input={'description': '读取并总结本地JSON文件', 'prompt': '请使用 Read 工具读取以下文件，并用中文总结其内容：\n\n文件路径：/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json\n\n请提供：\n1. 文件的整体结构和主要字段\n2. 关键技术参数和规格信息\n3. 其他重要信息\n\n请直接读取文件后再作总结，不要基于已有知识推测。'})]
general-purpose sub agent 启动
task_started_message.data
{'type': 'system',
'subtype': 'task_started',
'task_id': 'ae1c5db821cfeb53d',
'tool_use_id': 'toolu_01LiCjbFEFoRUnuHEf5BZdUk',
'description': '读取并总结本地JSON文件',
'subagent_type': 'general-purpose',
'task_type': 'local_agent',
'prompt': '请使用 Read 工具读取以下文件，并用中文总结其内容：\n\n文件路径：/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json\n\n请提供：\n1. 文件的整体结构和主要字段\n2. 关键技术参数和规格信息\n3. 其他重要信息\n\n请直接读取文件后再作总结，不要基于已有知识推测。',
'uuid': '18a44a44-6d7a-4b4d-a283-0389d369af97',
'session_id': '82d940c2-acfe-4cdb-b361-6730f44af7ee'}
general-purpose 也开始尝试调用 mcp 工具，因为它也没有被赋予 Read 工具，可见 sub agent 的工具不是自己定义的，而是从主 agent 继承的
sub_assistant_message.content
[ToolUseBlock(id='toolu_017JstbHWQKSFxPs77GGU391', name='mcp__claude_ai_Google_Drive__authenticate', input={})]
接下来又是主 gent 的 user message
print(user_message.content[0].content[0]['text'])
抱歉，我尝试使用了错误的工具。我是一个文本分析代理，没有直接的文件系统读取工具（Read 工具）可用。我只能访问 Gmail、Google Calendar 和 Google Drive 这几个 MCP 工具。
不过，您可以通过以下方式让我分析这个文件的内容：
1. **直接粘贴内容**：将 `/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json` 的内容复制粘贴到对话中，我即可为您总结。
2. **使用 Claude Code CLI**：在终端中运行以下命令，让 Claude Code 直接读取文件：
````bash
cat "/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json"
如果您将文件内容粘贴过来，我可以立即为您提供详细的中文总结，包括整体结构、关键技术参数和其他重要信息。
接下来主 agent 又尝试内置的 Explorer sub agent
assistant_message.content
[ToolUseBlock(id='toolu_01L3rW66wtaL4XRUoeEoQFc4', name='Agent', input={'description': '读取JSON文件并总结', 'subagent_type': 'Explore', 'prompt': '请读取以下文件并返回其完整内容：\n\n/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json\n\n请直接返回文件的原始内容，不需要分析，只需读取内容。'})]
Explorer开始尝试 bash 命令
sub_assistant_message.content
[ToolUseBlock(id='toolu_01Txfctkr3vdP4AcXp9v6Pwv', name='bash', input={'command': 'cat "/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json"'})]
收到提示 没有 bash 工具
print(sub_user_message.content[0].content)
<tool_use_error>Error: No such tool available: bash</tool_use_error>
之后还尝试了 Read 工具，也收到失败提示
最后主 agent user message 返回结果
print(user_message.content[0].content[0]['text'])
I apologize, but I don't have access to the file reading tools that would allow me to read the file at that path. The tools I have available are specialized for Google services (Gmail, Calendar, Drive) and would require authentication.
Could you either:
- Share the file content directly, or
- Provide the file through another method, or
- Grant me access to Google Drive (which contains this file) so I can authenticate and read it
Would any of these options work for you?
最终主 agent assistant message:
print(assistant_message.content[0].text)
非常抱歉！在当前的 Claude.ai 网页环境中，我无法直接访问您本地电脑上的文件系统，因此无法读取路径 /Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json。
您可以通过以下方式来解决：
方法一：直接粘贴文件内容
在终端中运行：
cat "/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json"
然后将输出内容粘贴到对话框中，我立即为您总结！
方法二：使用 Claude Code（命令行工具）
如果您安装了 Claude Code CLI，可以直接在该文件所在目录中启动，它具有本地文件系统访问权限，可以直接读取和总结文件。
方法三：上传文件
将该 JSON 文件以附件形式上传到对话中（如果界面支持的话）。
请您选择其中一种方式提供文件内容，我会立刻为您做详细的中文总结！ 😊
### 让sub agent读取文件内容并总结，但主agent设置tools=['Agent'], sub agent设置tools=['Read']
实测sub agent仍然无法使用 Read 工具。 说明 sub agent的tools是继承自主 agent，sub agent里的tools参数只是对主agent的工具再进一步缩小范围。
如果主agent没有Read工具，那么单独设置sub agent的tools里放进Read是不起作用的。
### 让sub agent读取文件内容并总结，主agent设置tools=['Agent', 'Read'], sub agent忽略tools参数
可以看到主agent调用了sub agent
task_started_message.data
{'type': 'system',
'subtype': 'task_started',
'task_id': 'a37dffb172fb67c50',
'tool_use_id': 'toolu_01BJwaKpUmWK2id7nBmtbS9F',
'description': '读取并总结文件内容',
'subagent_type': 'fast-reader',
'task_type': 'local_agent',
'prompt': '请阅读以下文件并返回详细的摘要内容：/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json',
'uuid': '87c5bc7f-17f9-408f-afa3-dc9f412a22fd',
'session_id': '487e228a-3882-414e-b74f-9575cfe69b92'}
sub agent 调用了Read工具
sub_assistant_message.content
[ToolUseBlock(id='toolu_01WqsygFetuvLGbvorvNg7nT', name='Read', input={'file_path': '/Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json'})]
sub agent 使用 user message 返回 Read 工具读取到的内容
sub_user_message.content
这里内容太多，省略
[ToolResultBlock(tool_use_id='toolu_01WqsygFetuvLGbvorvNg7nT', content='1\t{\n2\t "pdf_metadata": {\n3\t "title": "SNx4LVC573A Octal Transparent D-Type Latches With 3-State Outputs datasheet (Rev. S)",\n4\t "author": "Texas Instruments, Incorporated [SCAS300,S\\n]",\n5\t "subject": "Data Sheet",\n6\t "keywords": ", SCAS300,SCAS300S",\n7\t "creator": "TopLeaf 7.6.061",\n8\t "producer": "iText 2.1.7 by 1T3XT",\n9\t "creationDate": "D:20250516102031-05\'00\'",\n10\t "modDate": "D:20250516102031-05\'00\'"\n11\t },\n12\t "bookmark_status": "ok",\n13\t "device_info": ...
主agent用user message返回sub agent的内容，但并非sub agent Read工具读到的原始内容，而是sub agent 拿到原始内容总结后的结果。
user_message.content
内容太长，省略
[ToolResultBlock(tool_use_id='toolu_01BJwaKpUmWK2id7nBmtbS9F', content=[{'type': 'text', 'text': '以下是该文件的详细摘要：\n\n---\n\n**文件路径:** /Users/roland/work/PythonProjects/AgentStudy/files/1 Texas Instruments SN74LVC573ADW.json\n\n**文件性质:** 该 JSON 文件是对 Texas Instruments SN74LVC573A 芯片数据手册（PDF）的结构化解析结果，包含元数据、器件信息、封装信息及页面分类等内容。\n\n---\n\n**一、PDF 元数据**\n\n- 标题: SNx4LVC573A Octal Transparent D-Type Latches With 3-State Outputs datasheet (Rev. S)\n- 作者: Texas Instruments, Incorporated\n- 文件创建时间: 2025年5月16日\n- 生成工具: TopLeaf 7.6.061 / iText 2.1.7\n\n---\n\n**二、器件基本信息**\n\n- 制造商: Texas Instruments\n- 型号: SN74LVC573A（另有军工级变体 SN54LVC573A）\n- 器件类型: 八位透明 D 型锁存器，带三态输出（Octal Transparent D-Type Latch with 3-State Outputs）\n- 功能描述: ...
最后， 主 agent 又根据这个 user message 再做了一下回复，并且又是自己再总结了一次。
assistant_message.content
内容太长，省略
[TextBlock(text='以下是该文件的内容摘要：\n\n---\n\n## 📄 文件摘要：Texas Instruments SN74LVC573ADW\n\n### 一、基本信息\n- **制造商**: Texas Instruments\n- **型号**: SN74LVC573A（含军工级变体 SN54LVC573A）\n- **器件类型**: 八位透明 D 型锁存器，带三态输出（Octal Transparent D-Type Latch with 3-State Outputs）\n- **数据手册版本**: Rev. S（2025年5月16日）\n\n---\n\n### 二、主要特性\n- **工作电压**:\n - SN74LVC573A: **2.7V – 3.6V**\n - SN54LVC573A: **1.65V – 3.6V**\n- **三态输出**设计，适合驱动高电容或低阻抗负载\n- **典型应用**: 缓冲寄存器、I/O 端口、双向总线驱动器、工作寄存器\n\n---\n\n### 三、封装规格（共 9 种）\n\n| 封装名称 | 描述 。。。
最后，仍然奇怪的是，最后一轮调用模型又没复用上前缀缓存。
assistant_message.usage
{'input_tokens': 1,
'cache_creation_input_tokens': 6289,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 6289},
'output_tokens': 1,
'service_tier': 'standard',
'inference_geo': 'not_available'}
其实最早一轮的assistant message显示就已经写入前缀缓存了。
{'input_tokens': 3,
'cache_creation_input_tokens': 3500,
'cache_read_input_tokens': 0,
'cache_creation': {'ephemeral_5m_input_tokens': 0,
'ephemeral_1h_input_tokens': 3500},
'output_tokens': 0,
'service_tier': 'standard',
'inference_geo': 'not_available'}
感觉这种多轮对话调sub agent 的简单场景下，前缀缓存经常不明原因的失效。
浙公网安备 33010602011771号