工具制造阶段（Tool Making）:
  强模型 → 分析任务 → 编写工具函数 → 验证工具 → 存入工具库

工具使用阶段（Tool Using）:
  弱模型 → 检索匹配工具 → 调用工具 → 获得结果

工具回收阶段（Tool Recycling）:
  新任务 → 工具库检索 → 命中已有工具 → 直接复用

# LATM 工具制造阶段
def make_tool(task_description: str, demos: list) -> str:
    """强模型根据任务描述和示例创造工具"""
    prompt = f"""You are a tool maker. Given the following task and examples,
    create a reusable Python function that solves this type of task.

    Task: {task_description}
    Examples: {demos}

    Output only the function code with docstring."""

    tool_code = strong_model.generate(prompt)
    # 验证工具：在示例上测试
    validated = validate_on_demos(tool_code, demos)
    if validated:
        tool_library.store(task_type(task_description), tool_code)
    return tool_code

# LATM 工具使用阶段
def use_tool(task: str) -> str:
    """弱模型检索并使用已造好的工具"""
    tool = tool_library.retrieve(task)
    if tool:
        result = weak_model.execute_with_tool(task, tool)
    else:
        # 回退到直接推理
        result = weak_model.generate(task)
    return result

flowchart TD
    A[任务输入] --> B[Creation: 创造工具]
    B --> C[工具文档 + 代码]
    C --> D[Decision: 决策调用]
    D --> E[Execution: 执行工具]
    E --> F{成功?}
    F -->|是| G[返回结果]
    F -->|否| H[Rectification: 修改工具]
    H --> C

    style B fill:#e1f5fe
    style D fill:#fff3e0
    style H fill:#fce4ec

# ToolMaker 生成的工具示例（基于某图像分割仓库）
def segment_image(
    image_path: str,
    model_type: str = "sam_vit_h",
    checkpoint_path: str | None = None,
    points_per_side: int = 32,
    pred_iou_thresh: float = 0.88,
) -> list[dict]:
    """
    Segment objects in an image using SAM (Segment Anything Model).

    Args:
        image_path: Path to the input image file.
        model_type: SAM model variant. One of: 'sam_vit_h', 'sam_vit_l', 'sam_vit_b'.
        checkpoint_path: Path to model checkpoint. If None, downloads default.
        points_per_side: Number of points per side for grid sampling.
        pred_iou_thresh: IoU threshold for filtering low-quality masks.

    Returns:
        List of dicts, each containing:
            - 'segmentation': Binary mask as numpy array
            - 'bbox': [x1, y1, x2, y2] bounding box
            - 'score': Confidence score (0-1)
            - 'area': Mask area in pixels

    Example:
        >>> masks = segment_image("photo.jpg", model_type="sam_vit_h")
        >>> print(f"Found {len(masks)} objects")
    """
    ...

┌─────────────────────────────────┐
│         技能检索层               │  ← 向量相似度匹配任务与已有技能
├─────────────────────────────────┤
│         技能代码层               │  ← JavaScript函数，包含前置条件、执行体、后置条件
├─────────────────────────────────┤
│         技能元数据层             │  ← 任务描述、成功次数、失败次数、适用范围
└─────────────────────────────────┘

传统模式（N个工具）:
  Context Window = System Prompt + N × Tool Schema + 对话历史 + 工具返回
  当N=100时，仅工具定义就消耗 50K-150K tokens
  → 模型留给推理的窗口被严重压缩
  → 成本线性增长

CE-MCP模式:
  Agent接收任务 → 在沙箱中写Python代码 → 代码通过MCP协议调用工具 → 返回结果
  Token消耗: 仅代码本身（通常 1K-3K tokens）
  从150K → 2K，降幅达98%

# 传统MCP工具调用（每个工具的schema都要塞进prompt）
# 假设有50个工具，每个schema约1K tokens → 50K tokens仅用于工具定义

# CE-MCP方式：Agent写代码调用
# 整个工具发现和调用都在代码中完成
code = """
import mcp_client

# Agent自己发现可用工具
tools = mcp_client.list_tools("github-server")
print(f"Found {len(tools)} tools")

# Agent选择并调用需要的工具
result = mcp_client.call_tool(
    server="github-server",
    tool="create_issue",
    arguments={"title": "Bug in auth", "body": "...", "labels": ["bug"]}
)
print(result)
"""
# 这段代码仅消耗约200 tokens的context空间
# 而等价的工具定义+调用可能消耗5000+ tokens

# SMART的决策流程
def smart_agent(task, available_tools):
    # 第一步：元认知评估
    metacog_prompt = f"""
    Given this task: {task}
    Available tools: {len(available_tools)} tools

    Assess: Can you solve this WITHOUT any tool?
    Rate your confidence (0-1) for direct reasoning.
    """

    confidence = model.generate(metacog_prompt)

    if float(confidence) > THRESHOLD:
        # 直接推理，不调用工具
        return model.generate(task)
    else:
        # 选择性工具调用
        return use_tools_selectively(task, available_tools)

flowchart LR
    subgraph 场景判断
        A{工具来源?}
    end

    A -->|已有GitHub仓库| B[ToolMaker]
    A -->|需要全新创造| C{一次创造还是持续创造?}
    A -->|已有API服务| D[MCP Code Execution]

    C -->|一次性| E[LATM]
    C -->|持续积累| F{环境类型?}

    F -->|封闭游戏/仿真| G[Voyager技能库]
    F -->|开放Web/API| H[CREATOR + 技能库]

    subgraph 规模层
        I{工具数量?}
    end

    B --> I
    D --> I
    E --> I
    H --> I

    I -->|< 30个| J[直接注入Schema]
    I -->|30-200个| K[ToolRet检索器 + 动态注入]
    I -->|> 200个| L[MCP Code Execution + 沙箱]

    subgraph 元认知层
        M[SMART过滤层]
    end

    J --> M
    K --> M
    L --> M