AI Agent 工具设计:读完一百页 PDF,不等于真的看懂了

TL;DR：感知工具的关键，不是让 Agent 一次读得越多越好，而是让它知道“拿到了哪一部分、还缺哪一部分”。

想象财务同学发来一份百页 PDF，问 AI Agent：“第三季度收入比第二季度怎样？”Agent 可以调用读取文件的功能，但假如这个功能只返回前几页，却没提醒“后面还有九十多页”，它就可能拿着不完整的材料给出完整答案。

这里的 Agent 是能按步骤使用工具的 AI 助手；负责搜索、读取和查看图片的功能，叫作感知工具。这个财务场景只是帮助理解问题的例子，并非实测案例。

感知工具的关键，不是让 Agent 一次读得越多越好，而是让它知道拿到了哪一部分，还有哪一部分没看到。

具体怎么做？搜索时，先给它一份像搜索结果页那样的清单：标题、来源位置和简短摘要；它觉得相关，再打开全文。读百页报告也类似翻书：先定位目录和相关页，再看前后文。技术上常用 offset/limit 指定“从哪里开始、读多少”，就像说“从第 40 页起读 5 页”。

如果内容被截断，工具应明说“共 100 页，当前只看到第 40—44 页”，并告诉它如何继续读取。这样既少占模型一次能处理的信息空间，也避免把局部当全貌。

把“只读”当成设计优势

本节要点：只读让工具可以安全地并行读取与缓存；但缓存要讲时效，读材料时要标出来源与获取时间。

感知工具通常只读取信息，不替你改文件或发消息。于是系统可以并行读取几份报告——像几个人同时查资料——也可以把重复查询的结果暂存起来，下次直接使用；这种暂存叫缓存。

但缓存要看时效：去年企业年报可以复用，今天的天气和股价却可能已经变了。读取材料时，标出来源和获取时间，才便于后来核对。

同一份 PDF，还可能有三种“读法”。第一种，把原始页面交给能看图的模型，图表和排版通常能保留下来；第二种，先用 OCR（把图片上的字识别成可编辑文字的技术）或文档提取功能，把内容转成文字，阅读成本较低，但可能丢失表格的行列关系；第三种，由主 Agent 把原文件交给专门的图像分析工具，并提一个具体问题，只取回分析结果。

怎么选？一个简单的判断办法是：问“合同第七条写了什么”，文字可能就够；问“图中哪条线增长最快”，就得保留图；问“先看看这页有没有异常”，可先请专门工具做初步分析。这是选工具的思路，不是三种方法谁一定更准的实测排名。

开源示例 perception-tools 用搜索、文件与公开数据读取等功能展示感知工具；multimodal-agent 则比较上述几种多模态处理路径。多模态就是文字以外还要处理图片、声音等不同形式的材料。

看这些项目时，除了“能不能读”，更值得问的是：资料有没有缺页？图表关系是否保留？Agent 能否返回原文继续核对？

一个可靠的感知工具，不是替 Agent 假装看尽所有材料，而是把信息切成可追踪、可回读、可核对的片段。