MBE 引擎工具扩展分析 —— 基于 Claude 平台工具文档

版本: v1.2 | 日期: 2026-02-12 参考: Claude Platform 工具文档

零、可行性约束（重要）

国内访问限制

MBE 当前通过 OpenRouter 中转访问 Claude，而非直接调用 Anthropic API。这带来以下约束：

国内可直接访问的 API 服务

搜索服务质量与成本对比

数据来源：Tavily Search Evals · YOU.com 2025 API Benchmark · KnewSearch 2026 AI Visibility Report

质量分析

Tier 1 — AI 原生搜索（为 LLM/Agent 设计）：

• Tavily：SimpleQA 准确率 93.3%，比 Google (Serper) 高 11 个百分点。返回结构化 JSON，包含摘要、引用、相关度评分，零集成成本。SOC 2 认证。
• 博查 AI Search：国产方案，支持 Web/AI/Agent 三种搜索模式，内置语义 Reranker，中文搜索质量最优，符合国内数据合规要求。

Tier 2 — 元搜索引擎（聚合多源）：

• SearXNG：聚合 247+ 搜索引擎（Google、Bing、DuckDuckGo、Wolfram Alpha 等），质量取决于上游引擎，自建零成本、完全隐私。适合预算有限的初期阶段。

Tier 3 — 传统搜索 API：

• Bing Search API：已于 2025 年 8 月退役，微软推荐迁移到 Azure AI Agents 的 "Grounding with Bing Search"。
• Google (via Serper/SerpAPI)：质量好但国内不可直连，需代理。

推荐方案

MBE 应采用"博查 + Tavily"双通道方案：

• 博查 AI Search 作为主通道（国内直连、中文最优、免费额度充裕）
• Tavily 作为备用/英文通道（准确率最高、AI Agent 专用设计）
• SearXNG 作为兜底方案（完全免费、无限额度、自建可控）

不依赖任何 Claude/Anthropic 服务器端工具，全部自建为 MBE MCP 客户端工具。

一、背景

Claude 平台目前提供了 8 大类工具（Web Search、Web Fetch、Memory、Code Execution、Tool Search、Computer Use、Text Editor、Bash Tool），覆盖了信息获取、持久化记忆、代码执行、动态工具发现、桌面操作等能力。

MBE 引擎当前在 tools.py 中注册了 8 个 MCP 工具（mises_analyze、ask_expert、list_experts、mises_feedback、capture_and_analyze、analyze_image、get_camera_upload_info、request_human_review），而在 server.py 中实际处理了 100+ 工具调用（QT2、经济学、销售、教育、健身、美食、哲学等领域）。

本文档对比分析 Claude 平台的工具体系与 MBE 现状，提出需要添加的工具及实施路线图。

二、Claude 平台工具全景 vs MBE 现状

三、需要添加的工具详细分析

3.1 web_search — 网络搜索工具 (最高优先)

为什么 MBE 急需它：

• MBE 的专家系统（43 个 MoE 专家 + 25+ 领域专家）目前只能依赖预训练知识和本地知识库（MIRAS），无法访问实时信息
• 法律专家需要查最新法规、金融专家需要查实时行情、健康专家需要查最新医学文献
• 与 MBE 的 Self-Critique "来源引用验证"模块完美互补 —— 有了真实来源可引用，幻觉率将大幅降低

Claude 平台参考：

• 类型：web_search_20250305（服务器端工具，由 Anthropic 执行）
• 定价：$10 / 1,000 次搜索 + 标准 token 费用
• 支持域名过滤（allowed_domains / blocked_domains）、本地化搜索（user_location）
• 结果自带引用（citations），引用字段不计入 token 用量

注意： Claude Web Search 是 Anthropic 服务器端工具，MBE 通过 OpenRouter 访问无法使用。 Bing Search API 已于 2025.8 退役。MBE 推荐方案：

• 博查 AI Search（国内直连、中文最优、免费 500次/天）
• Tavily（SimpleQA 准确率 93.3%、AI Agent 专用设计）
• SearXNG（免费自建、兜底方案）

建议 MBE 工具定义：

WEB_SEARCH_TOOL = {
    "name": "web_search",
    "description": """实时网络搜索。当专家回答需要最新信息时自动调用：
- 法律法规查询（最新司法解释、政策变更）
- 金融市场数据（实时行情、公告）
- 医学/健康最新研究
- 时事新闻、行业动态
- 任何需要超出知识截止日期的信息

支持域名过滤和本地化搜索。结果自带引用来源。""",
    "inputSchema": {
        "type": "object",
        "properties": {
            "query": {"type": "string", "description": "搜索查询"},
            "device_id": {"type": "string", "description": "设备ID"},
            "allowed_domains": {
                "type": "array", "items": {"type": "string"},
                "description": "限定搜索域名（可选）"
            },
            "max_results": {
                "type": "integer", "default": 5,
                "description": "最大结果数"
            }
        },
        "required": ["query", "device_id"]
    }
}

与 MBE 架构的集成点：

• SmartRouter 在路由到专家前，可先触发 web_search 预取上下文（对应 Factor 13: Pre-fetch context）
• Self-Critique 的"来源引用验证"模块可直接使用搜索结果做 fact-checking
• 搜索结果进入 MIRAS 的短期记忆，供后续对话引用

3.2 web_fetch — 网页内容获取工具 (最高优先)

为什么 MBE 需要它：

• 配合 web_search 使用：搜索找到相关链接后，fetch 获取完整内容
• 支持 PDF 解析 —— 对法律文书、学术论文、技术文档极其重要
• 自带引用系统，可以精确标注"这段回答来自哪份文档的第几段"

Claude 平台参考：

• 类型：web_fetch_20250910（服务器端工具）
• 定价：无额外费用，仅标准 token 费用
• 支持 PDF 自动文本提取
• 可选引用标注（citations.enabled: true）
• 支持 max_content_tokens 控制获取内容量
• 安全注意：仅能获取对话上下文中已出现的 URL

注意： 与 web_search 一样，web_fetch 也是 Anthropic 服务器端工具，MBE 无法直接使用。 MBE 应自建 URL 内容提取工具，推荐：Python httpx + readability-lxml + PyPDF2，实现成本极低。

建议 MBE 工具定义：

WEB_FETCH_TOOL = {
    "name": "web_fetch",
    "description": """获取指定URL的完整网页或PDF内容。用于：
- 深度阅读搜索结果中的文章
- 解析用户分享的链接内容
- 提取PDF文档（法律文书、论文、报告）
- 获取API文档、技术规范等

支持引用标注，可精确到段落级别。""",
    "inputSchema": {
        "type": "object",
        "properties": {
            "url": {"type": "string", "description": "要获取的URL"},
            "device_id": {"type": "string", "description": "设备ID"},
            "enable_citations": {
                "type": "boolean", "default": true,
                "description": "是否启用引用标注"
            }
        },
        "required": ["url", "device_id"]
    }
}

与 web_search 协同工作流：

1. 用户提问 → 专家判断需要最新信息
2. 调用 web_search 搜索相关内容 → 返回搜索结果列表
3. 调用 web_fetch 获取最相关的文章全文 → 返回带引用的完整内容
4. 专家基于获取的内容生成带引用的回答
5. Self-Critique 验证引用来源的真实性

3.3 mises_memory — 持久化记忆工具 (高优先)

为什么这对 MBE 至关重要：

• MBE 已有 TITANS 三层记忆，但记忆存储在神经网络参数中（Factor 12 指出的问题），不可审计、不可重放
• Claude 的 Memory Tool 理念更优：记忆是文件，可创建/读取/更新/删除，完全持久化
• 直接解决 Factor 5（统一状态）和 Factor 6（暂停/恢复）中的痛点
• 与 Claude 的"上下文编辑"能力配合，可支撑无限长对话

Claude 平台参考：

• 类型：memory_20250818（客户端工具）
• 操作：view / create / str_replace / insert / delete / rename
• 自动协议：Claude 在每次任务开始前自动检查记忆目录
• 可与"上下文编辑"配合：上下文窗口满时，Claude 将关键信息保存到记忆，清除旧工具结果后继续工作

建议 MBE 工具定义：

MISES_MEMORY_TOOL = {
    "name": "mises_memory",
    "description": """持久化记忆管理。在对话间存储和检索用户相关信息：
- 用户偏好、习惯、历史决策
- 行为分析五步框架的中间状态（支持暂停/恢复）
- 专家咨询记录和跟进事项
- 长期目标追踪（职业规划、健康管理等）

支持操作：view/create/update/delete
记忆按用户隔离，跨会话持久化。""",
    "inputSchema": {
        "type": "object",
        "properties": {
            "command": {
                "type": "string",
                "enum": ["view", "create", "str_replace", "insert", "delete"],
                "description": "记忆操作命令"
            },
            "path": {"type": "string", "description": "记忆文件路径"},
            "device_id": {"type": "string", "description": "设备ID"},
            "user_id": {"type": "string", "description": "用户ID"},
            "file_text": {"type": "string", "description": "文件内容（create时）"},
            "old_str": {"type": "string", "description": "替换原文（str_replace时）"},
            "new_str": {"type": "string", "description": "替换新文（str_replace时）"}
        },
        "required": ["command", "path", "device_id"]
    }
}

与现有 TITANS 的关系：

不是替代，而是互补。TITANS 负责隐式学习（注意力模式、偏好权重），Memory Tool 负责显式知识（用户档案、决策记录、待办事项）。两者通过 session_state 表统一索引。

┌─────────────────────────────────────────┐
│            MBE 记忆双轨系统              │
├──────────────────┬──────────────────────┤
│ TITANS (隐式记忆) │ Memory Tool (显式记忆) │
├──────────────────┼──────────────────────┤
│ 注意力模式偏好     │ 用户档案文件          │
│ 交互风格学习       │ 决策记录 & 跟进事项    │
│ 偏好权重调整       │ 五步框架检查点         │
│ 短/中/长期衰减     │ 持久化，永不丢失       │
│ 不可审计           │ 完全可审计/可重放      │
└──────────────────┴──────────────────────┘

3.4 code_execution — 代码执行工具 (高优先)

为什么 MBE 需要它：

• MBE 已有 QT2 量化交易模块（get_signals, analyze_stock），但无法执行实时计算
• 金融分析需要精确数值计算、数据可视化
• 教育辅导需要演示代码运行（编程教学、数学计算）
• 数据分析场景（CSV/Excel 处理、统计分析）

Claude 平台参考：

• 类型：code_execution_20250825（服务器端工具）
• 环境：Python 3.11 + Bash，安全沙箱，5GiB RAM
• 预装库：pandas、numpy、scipy、scikit-learn、matplotlib、seaborn 等
• 子工具：bash_code_execution + text_editor_code_execution
• 支持 Files API 上传/下载文件
• 容器可跨请求复用（container_id）
• 无网络访问（安全隔离）

建议 MBE 工具定义：

CODE_EXECUTION_TOOL = {
    "name": "code_execution",
    "description": """在安全沙箱中执行代码。用于：
- 精确数值计算（金融分析、统计学）
- 数据处理（CSV/Excel分析、图表生成）
- 编程教学演示（运行示例代码）
- 数学公式求解（符号计算）
- 逻辑推理验证（形式化证明）

支持 Python，预装 pandas/numpy/matplotlib 等数据科学库。""",
    "inputSchema": {
        "type": "object",
        "properties": {
            "code": {"type": "string", "description": "要执行的Python代码"},
            "device_id": {"type": "string", "description": "设备ID"},
            "timeout": {
                "type": "integer", "default": 30,
                "description": "执行超时（秒）"
            }
        },
        "required": ["code", "device_id"]
    }
}

对 MBE 各领域专家的赋能：

3.5 tool_search — 工具搜索/动态发现工具 (高优先)

为什么这对 MBE 特别重要：

• MBE 在 server.py 中有 100+ 工具处理器，但 tools.py 只注册了 8 个
• Claude 文档明确指出：超过 30-50 个工具时，工具选择准确性会显著下降
• MBE 的场景正好命中这个问题：有 QT2、经济学、销售、教育、健身、美食、哲学等几十个领域工具
• Tool Search 可以让 LLM 按需搜索并加载工具，而不是一次性全部塞入上下文

Claude 平台参考：

• 两种变体：正则表达式搜索（tool_search_tool_regex_20251119）和 BM25 搜索（tool_search_tool_bm25_20251119）
• 每次返回 3-5 个最相关工具
• 支持 defer_loading: true 延迟加载
• 最大支持 10,000 个工具目录
• 建议将最常用的 3-5 个工具保持为非延迟

建议 MBE 工具定义：

TOOL_SEARCH_TOOL = {
    "name": "mises_tool_search",
    "description": """在MBE工具库中搜索合适的工具。当用户问题可能需要特定领域工具时调用：
- 搜索金融工具（股票分析、风险评估）
- 搜索教育工具（辅导、练习）
- 搜索健康工具（运动指导、营养建议）
- 搜索专业工具（法律、建筑、销售）

返回最相关的3-5个工具供后续调用。""",
    "inputSchema": {
        "type": "object",
        "properties": {
            "query": {"type": "string", "description": "搜索查询（自然语言）"},
            "device_id": {"type": "string", "description": "设备ID"},
            "domain": {
                "type": "string",
                "description": "限定搜索域（可选，如 finance/education/health）"
            }
        },
        "required": ["query", "device_id"]
    }
}

架构改进建议：

将 server.py 中的 100+ 工具处理器按域注册到一个工具目录中，支持 BM25 或正则搜索。只有被搜索命中的工具才加载到上下文。

当前架构（有问题）：
┌─────────────┐    ┌──────────────────────────┐
│ tools.py    │    │ server.py                │
│ 8 个工具注册 │    │ 100+ 个处理器（未注册）    │
│ MISES_TOOLS │    │ if/elif 链分发            │
└─────────────┘    └──────────────────────────┘

改进后架构：
┌─────────────────────────────────────────────┐
│              工具目录 (Tool Catalog)          │
│  ┌─────────┐ ┌─────────┐ ┌─────────┐       │
│  │核心工具  │ │金融工具  │ │教育工具  │ ...   │
│  │(非延迟)  │ │(延迟)   │ │(延迟)   │       │
│  │8个      │ │15个     │ │12个     │       │
│  └─────────┘ └─────────┘ └─────────┘       │
├─────────────────────────────────────────────┤
│         tool_search (BM25/正则)              │
│         按需加载 → 返回 3-5 个工具            │
└─────────────────────────────────────────────┘

3.6 computer_use — 计算机操作工具 (中优先)

适用场景：

• MBE Desktop 应用中，Agent 可以帮用户操作桌面应用
• 老年用户辅助（MBE 有老年医学模块），帮助完成复杂操作
• 自动化测试 MBE Desktop 的 UI 交互

Claude 平台参考：

• 类型：computer_20250124（客户端工具）
• 能力：屏幕截图、鼠标点击、键盘输入、滚动
• 需要客户端实现执行逻辑

3.7 text_editor — 文本编辑工具 (中优先)

适用场景：

• 用户需要起草文档（法律文书、商业计划）
• 配合 Memory Tool 管理记忆文件
• 协作编辑、内容审阅

Claude 平台参考：

• 类型：text_editor_20250124（客户端工具）
• 操作：view / create / str_replace / insert / undo_edit
• 需要客户端实现文件系统操作

四、实施路线图

Phase 1（立即）—— 信息获取能力
├── web_search    → 让专家获得实时信息
│   实现方式：自建客户端工具，博查(主) + Tavily(备) + SearXNG(兜底)
│   预估工期：2-3 天
└── web_fetch     → 深度内容分析 + PDF 解析
    实现方式：自建客户端工具（httpx + readability + PyPDF2）
    预估工期：2 天

Phase 2（短期，1-2 周）—— 智能管理能力
├── mises_memory  → 持久化记忆，解决 Factor 5/6/12
│   实现方式：客户端工具，基于 PostgreSQL 实现存储后端
│   预估工期：3-5 天
└── tool_search   → 动态工具发现，解决 100+ 工具注册问题
    实现方式：重构工具目录 + BM25 搜索引擎
    预估工期：3-5 天

Phase 3（中期，2-4 周）—— 计算与执行能力
├── code_execution → 精确计算 + 数据可视化
│   实现方式：自建 Docker 沙箱（参考 Claude 设计：5GiB RAM、无网络、30s 超时）
│   预估工期：5-7 天
└── text_editor    → 文档编辑能力
    实现方式：客户端工具，基于文件系统
    预估工期：2-3 天

Phase 4（远期，1-2 月）—— 自动化操作能力
└── computer_use   → 桌面操作辅助
    实现方式：Electron IPC 集成
    预估工期：2-3 周

五、与 12-Factor Agents 改进计划的关联

六、关键架构建议

6.1 自建搜索和内容获取工具（替代 Claude 服务器端工具）

由于 MBE 通过 OpenRouter 中转访问 Claude，无法使用 Anthropic 服务器端工具（web_search / web_fetch / code_execution）。需要自建客户端工具，作为 MCP 工具注册到 MBE。

推荐技术栈：

实现模式：MBE 客户端工具（LLM 发起调用 → MBE 执行 → 结果返回 LLM）

# 在 MBE server.py 中处理搜索工具调用
async def _handle_web_search(self, params: dict) -> dict:
    """MBE 自建搜索：博查(主) + Tavily(备) 双通道"""
    query = params["query"]
    
    async with httpx.AsyncClient() as client:
        # 方案 A（主通道）：博查 AI Search（国内直连，中文最优）
        try:
            resp = await client.post(
                "https://api.bochaai.com/v1/web-search",
                headers={"Authorization": f"Bearer {BOCHA_API_KEY}"},
                json={"query": query, "count": 5}
            )
            results = resp.json()["data"]
            return {"source": "bocha", "results": results}
        except Exception:
            pass
        
        # 方案 B（备用通道）：Tavily（准确率 93.3%，AI Agent 专用）
        try:
            resp = await client.post(
                "https://api.tavily.com/search",
                json={"api_key": TAVILY_API_KEY, "query": query,
                      "max_results": 5, "include_answer": True}
            )
            return {"source": "tavily", "results": resp.json()["results"]}
        except Exception:
            pass
        
        # 方案 C（兜底）：SearXNG 自建（零成本）
        resp = await client.get(
            f"http://searxng:8080/search?q={query}&format=json&language=zh-CN"
        )
        return {"source": "searxng", "results": resp.json()["results"][:5]}

6.2 Memory Tool 与 TITANS 双轨运行

TITANS 负责隐式偏好学习，Memory Tool 负责可审计的显式记忆。两者通过 session_state 表统一索引。

6.3 Tool Search 解决注册断层问题

当前 MISES_TOOLS 只注册了 8 个工具，但 server.py 处理了 100+ 工具。引入 Tool Search 后，所有工具都进入目录但标记 defer_loading: true，只有搜索命中才加载。

6.4 结构化输出标准化（Factor 4）

所有新工具的输入/输出都应定义 Pydantic 模型，便于：

• 监控和审计（决策审计链路）
• 测试和重放（确定性输入输出）
• 错误处理（Factor 9: 错误压缩进上下文）

from pydantic import BaseModel

class WebSearchInput(BaseModel):
    query: str
    device_id: str
    allowed_domains: list[str] | None = None
    max_results: int = 5

class WebSearchResult(BaseModel):
    url: str
    title: str
    snippet: str
    page_age: str | None = None

七、成本估算（修正版 v1.2：自建方案）

对比：

结论： 自建方案不仅解决国内访问问题，成本降低 85-98%，且搜索质量（Tavily 93.3%）超过 Google (82.15%)。

八、参考文档

MBE Claude 工具扩展分析 v1.2 | 2026-02-12