这个工具提供了哪些能力
点开任一能力，看清怎么用
每个能力展开后是三件事：它会给你什么、你需要准备什么、哪些必须由你把关。
常见场景：需要从多个科学数据库（文献、基因、蛋白质、化合物、临床数据等）中交叉查询信息时；在LLM驱动的科研agent中需要统一工具调用协议，不想为每个API单独编写调用代码时；工具太多超出LLM上下文窗口，需要一个中间层自动发现和选择合适工具时；想通过MCP协议把科学工具暴露给Claude Desktop等AI客户端使用时
帮你把上千个科研工具接入常用的 AI 助手：通过标准接口，Claude Desktop、Cursor 这类客户端都能直接调用这些工具；反过来，外部服务的工具也能拉进来统一管理。
它会给你什么
- AI 客户端可以直接调用的标准工具接口。
- 注册表里新收进来的外部工具。
你需要准备
- AI 客户端发来的工具列表和调用请求。
- 外部服务的接入配置。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你省下 AI 的“注意力”：上千个工具被浓缩成五个入口——列出、搜索、查详情、找工具、执行，AI 先找到合适的工具再调用，不用把所有工具说明书都塞给它。
它会给你什么
- 从上千个真实工具中挑出并执行后的结果。
你需要准备
- AI 助手发出的工具调用请求，它只需要认识这五个入口。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你把 AI 说的话变成实际动作：AI 发出“要用某个工具、带这些参数”的指令后，它负责核对参数、启动工具、把结果传回去；支持一批指令同时跑，个别失败不影响其他。
它会给你什么
- 工具运行后的结构化结果。
- 可选的、按标准消息格式整理好的回复。
你需要准备
- AI 产出的调用指令，含工具名和参数。
- 同一轮要执行的多个指令清单。
由你把关
- 这一步没有强制的人工确认环节，结果是否可靠需要你自行把关，由你核对。
帮你省钱提速：同样的查询查过一次就记下来，下次直接用，还防止多个任务同时重复问同一个问题，减少对外部接口的重复调用和费用。
它会给你什么
- 要么是之前存下的结果，要么是现执行的结果。
你需要准备
- 一次工具调用及其参数。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
帮你把散落各处的工具定义收拢成一本总目录：启动时自动扫描内置清单、代码里声明的工具和外部接入的工具，去重后登记成一份统一的清单，随时可以查询搜索。
它会给你什么
- 一份统一的工具总目录，可以列出、搜索和查找。
你需要准备
- 内置的工具定义文件。
- 代码里用装饰器声明的工具类。
- 外部服务的接入配置。
由你把关
- 这一步没有强制的人工确认，个别工具可能登记了却实际坏了，只能运行时暴露，由你核对。
帮你找到对路的工具：用一句大白话描述你的研究任务，AI 会从上千个工具里挑出最相关的几个，还告诉你为什么推荐它们、相关程度多高。
它会给你什么
- 选出的工具清单、每件工具的说明和数量统计。
你需要准备
- 你用自然语言描述的问题。
- 最多返回几个工具。
- 可选的工具分类过滤条件。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
第一次这样开始
把仓库地址直接交给 AI
先让 AI 说明环境和风险，再完成最小安装验证。开始前想清楚要用哪个能力、把对应材料备在手边——每张能力卡展开后有具体清单。
第一次直接复制
帮我安装这个库：https://github.com/mims-harvard/ToolUniverse 安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。
别这样用
这些判断，仍然由你负责
- 认为所有注册的工具都实际可用（部分工具加载时已失败并记入_TOOL_ERRORS，需运行tu doctor核查）
- 把compact mode的5个元工具当作全部能力（它们只是发现入口，背后才有1000+真实工具）
- 忽略LLM工具发现的选择质量差异（LLM finder与embedding finder在不同领域上召回率不同）
- 不检查工具返回结果的真实性就直接采信（工具只是中间件，结果质量取决于上游数据库）
技术依据
查看能力拆解、验证范围与来源
技术依据
查看能力拆解、验证范围与来源
处理机制
- 01
异常分类与HTTP重试健康诊断
tooluniverse 如何统一治理工具调用的错误分类、HTTP 重试退避、工具健康诊断与失效登记、长任务生命周期与可观测。这张卡补充 tooluniverse-机制-统一工具调用编排与发现 只覆盖编排骨架的缺口。
- 02
统一工具调用编排与发现
ToolUniverse 的多张能力卡共享一条对象链：异构工具定义先进入注册表，再通过 compact mode 压缩成元工具，LLM 经发现（list/grep/find）→ 查看（gettoolinfo）→ 执行（executetool）两阶段完成调用，结果经缓存回填。本机制卡说明这些对象如何跨能力传递，以及哪些状态会阻断或降级。
已核对范围
- 静态确认 SMCP 继承 FastMCP，支持 stdio/HTTP/SSE 多传输
- 静态确认 pyproject.toml 多个 entry point 暴露 MCP/HTTP/stdio server
- 静态确认 MCP auto-loader 可把外部 MCP server 工具拉进注册表
- 静态确认 data/compactmodetools.json 定义 5 个元工具
- 静态确认 list/grep/find/info/execute 两阶段发现执行模式
- 静态确认 runonefunction 解析 fcall → 实例化工具 → schema 校验 → 调 run → 回填结果
- 静态确认批量执行 executefunctioncalllist 含去重合并和 per-tool 并发限流
- 静态确认 lenient 类型强转 coerceargumentstoschema
仍待核对
- 未实测 MCP server 与 Claude Desktop/Cursor 的端到端对接
- 未验证 profile 加载和 middleware 行为
- 未实测 compact mode 在真实 LLM agent 中的上下文节省效果
- 未对比 compact mode 与全量工具暴露的调用质量
- 未真实执行任何工具调用
- 未验证 async 工具在 sync 上下文的 asyncio.run 行为
- 未实测缓存命中率
- 未验证 SQLite 持久化缓存的失效和清理策略
相关文章
具备相关能力的其他库
相关课程
把单项工具放进完整研究设计流程
课程一从研究问题、文献判断、理论假设和方法骨架继续推进，帮助你建立可以复用的研究设计档案。