2025年是代理人的年代，而代理人的關鍵能力是調用工具。 使用Claude Code時，我可以告訴AI篩選一份新聞通訊，找到所有初創公司的鏈接，並驗證它們在我們的CRM中存在，只需一個命令。這可能涉及調用兩到三個不同的工具。 但問題在於：使用大型基礎模型來做這件事是昂貴的，通常受到速率限制，並且對於選擇任務來說過於強大。 建立一個具有工具調用的代理系統的最佳方法是什麼？ 答案在於小型行動模型。NVIDIA發表了一篇引人注目的論文，主張「小型語言模型（SLMs）足夠強大，天生更適合，並且在代理系統中的許多調用中必然更具經濟性。」 我一直在測試不同的本地模型，以驗證成本降低的實驗。我從一個Qwen3:30b參數模型開始，這個模型有效，但因為它是一個如此大的模型，所以可能會相當慢，儘管在任何時候只有30億個參數中的3億個是活躍的。 NVIDIA的論文推薦Salesforce xLAM模型——一種不同的架構，稱為大型行動模型，專門設計用於工具選擇。 因此，我進行了自己的測試，每個模型調用一個工具來列出我的Asana任務。 結果令人驚訝：xLAM在2.61秒內完成任務，成功率為100%，而Qwen則花了9.82秒，成功率為92%——幾乎是四倍的時間。 這個實驗顯示了速度的提升，但有一個權衡：模型中應該有多少智能，與工具本身相比。這是有限的。 對於像Qwen這樣的大型模型，工具可以更簡單，因為模型具有更好的錯誤容忍度，並且可以繞過設計不良的界面。模型通過強力推理來彌補工具的限制。 對於較小的模型，模型恢復錯誤的能力較弱，因此工具必須更穩健，選擇邏輯必須更精確。這看起來可能是一種限制，但實際上是一種特性。 這一約束消除了LLM鏈式工具的累積錯誤率。當大型模型進行連續的工具調用時，錯誤會指數級地累積。 小型行動模型迫使更好的系統設計，保留LLM的優勢並將其與專門模型結合。 這種架構更高效、更快且更可預測。