最近的GPT-5使用下来，工具调用能力比4强了很多，函数参数填写的准确率明显提升了，但感觉问题还是那个问题：能调用的工具太有限了。

这也能引申出目前Agent框架普遍存在的硬伤：

首先是工具扩展性差。我之前用LangChain做过一个项目，想让Agent处理一些特定格式的Excel文件，结果发现要么用现成的工具凑合，要么就得自己写Tool类、定义schema，然后注册到框架里。整个流程下来比自己直接写Python脚本还麻烦。

还有一个硬伤是推理成本。每次Agent执行任务都要走完整的推理链路，中间任何一步出错就得重新来，token烧得飞快不说，体验也很差。

最让人绷不住的是，遇到复杂任务，没有可调用的工具的时候，甚至直接摊牌不干。

Python-use范式给了我新思路

最近了解到国内某团队提出的Python-use范式，感觉思路很有意思。他们的核心观点是：既然LLM写代码能力已经足够强了，为什么还要把它限制在预定义的工具集里？

传统Agent只能在框架内搭建，而Python-use直接让AI写代码解决问题，相当于给了AI一个完整的编程环境。

我加入测评团队试用了下他们的产品AiPy，确实不一样。比如我让它随便处理一个CSV文件，传统Agent可能要找CSV处理工具，填各种参数。但是AiPy直接生成了一段pandas代码，从读取、处理到输出，一气呵成。很亮眼的是，这段代码可以直接保存下来重复使用。

从使用工具到制造工具

这个转变其实挺关键的。传统Agent本质上是工具的使用者，能力边界被框架的工具集限死了。Python-use让AI变成了工具的制造者，遇到新需求就写新代码，代码本身就是工具。

比如用它分析某个API的响应时间并生成图表，传统Agent可能找不到合适的现成工具。但在Python环境下，AI可以直接用requests测试API，用matplotlib画图，几十行代码就搞定了，而且这段代码下次还能复用。

他们的团队本身就做网络安全和设备识别，比如自有平台ZoomEye能识别各种网络设备和协议。这个背景让AiPy在处理复杂网络场景和IoT设备时有明显优势，AI可以直接调用Python生态里的各种库，不需要等人专门开发对应的工具。

当然，让AI直接执行代码确实有安全风险。不过从实用角度看，我们平时运行的软件哪个不是直接在系统上执行的？关键是要有合理的权限控制和错误处理机制。AiPy团队计划后续完善沙箱机制。我觉得这个平衡点把握得还可以，不能因为理论上的风险就把功能阉割掉。

AiPy还有一个优势是错误处理能力。传统Agent调用工具出错了往往就卡住了，Python-use可以让AI分析错误信息，自动修正代码重新执行。这种自愈能力在实际使用中很有价值。

总的来说，AI Agent雷声大雨点小的根本原因是思路问题。大家都在优化工具调用的准确性，但忽略了工具本身的局限性。现在LLM的代码能力已经很强了，完全可以按需生成解决方案，没必要困在预定义的工具框架里。

Python-use这个思路回归了编程的本质：code is everything。虽然还在早期阶段，但我觉得这个方向是对的。毕竟作为程序员，最熟悉的就是用代码解决问题，为什么要让AI绕这么大个弯呢？