2025年是代理人的时代，而代理人的关键能力是调用工具。 使用Claude Code时，我可以告诉AI筛选一份通讯，找到所有初创公司的链接，验证它们在我们的CRM中存在，只需一个命令。这可能涉及调用两个或三个不同的工具。 但问题在于：使用大型基础模型来做这个是昂贵的，通常受到速率限制，并且对于选择任务来说过于强大。 构建一个具有工具调用的代理系统的最佳方法是什么？ 答案在于小型行动模型。NVIDIA发布了一篇引人注目的论文，认为“小型语言模型（SLMs）足够强大，天生更适合，并且在代理系统中的许多调用中必然更经济。” 我一直在测试不同的本地模型，以验证成本降低的效果。我从一个Qwen3:30b参数模型开始，它可以工作，但由于它是一个如此大的模型，可能会相当慢，尽管在任何时候只有30亿个参数中的3亿个是活跃的。 NVIDIA的论文推荐了Salesforce xLAM模型——一种专门为工具选择设计的大型行动模型的不同架构。 因此，我进行了自己的测试，每个模型调用一个工具来列出我的Asana任务。 结果令人震惊：xLAM在2.61秒内完成任务，成功率为100%，而Qwen则花费了9.82秒，成功率为92%——几乎慢了四倍。 这个实验显示了速度的提升，但也有一个权衡：模型中应该有多少智能，工具本身又应该有多少智能。这是有限的。 对于像Qwen这样的大型模型，工具可以更简单，因为模型具有更好的错误容忍度，并且可以绕过设计不良的接口。模型通过强力推理来弥补工具的局限性。 对于较小的模型，模型恢复错误的能力较差，因此工具必须更强大，选择逻辑必须更精确。这看起来可能是一个限制，但实际上是一个特性。 这种限制消除了LLM链式工具的累积错误率。当大型模型进行顺序工具调用时，错误会呈指数级累积。 小型行动模型迫使更好的系统设计，保留LLM的优点，并将其与专业模型结合。 这种架构更高效、更快且更可预测。