Anthropic 参考实现把交互能力分成哪三类工具？
| 工具 | 类别 | 职责 |
|---|
| computer tool | GUI 操作 | 鼠标、键盘与感知动作 |
| bash tool | 命令执行 | 持久终端会话 |
| str_replace_editor | 文件编辑 | 基于字符串匹配的安全编辑 |
- 性质: 这是一个清晰的动作空间设计，但不是模型供应商必须遵守的私有协议;
- 可移植性: 只要 Harness 能把同样的截图、动作约束与执行结果转换成目标模型支持的消息与结构化输出，Claude、开放权重视觉模型与自托管端点都可以驱动同一个感知-思考-行动循环;
- 循环本身见 Computer Use 交互循环;
GUI 操作工具的粒度有多细？
- 鼠标: 移动
mouse_move；左/右/中键点击；双击/三击；拖拽 left_click_drag；更精细的按下/松开 left_mouse_down/left_mouse_up;
- 滚动:
scroll 支持四个方向，并可配合修饰键;
- 键盘: 逐字输入
type（每个字符间隔 12ms 模拟真实打字）、组合键 key（如 Ctrl+C）、长按 hold_key;
- 感知动作: 截图
screenshot、获取光标位置 cursor_position、等待 wait;
- 设计取向: 动作原语按人类输入设备的最小操作单元切分，而不是按任务语义切分;
命令执行工具为什么要持久会话？
- 参数: 提供持久的 bash 终端会话，120 秒超时;
- 完成检测: 通过哨兵字符串判断命令是否执行完毕，而非依赖固定等待;
- 状态保持: 多次调用之间保持环境状态——例如
cd 到某个目录后，下次调用仍在该目录;
- 意义: 命令执行把任意系统级操作纳入动作空间，持久性使多步操作可组合;
- 安全边界: 这类开放式动作需要隔离环境承载，见 虚拟身份与隔离执行环境;
文件编辑工具为什么用字符串匹配？
- 操作: 通过字符串匹配实现安全编辑，支持查看、创建、替换、插入与撤销;
- 相较整体覆盖: 比直接覆盖整个文件更精确，不容易误改其他内容;
- 通用原则: 开放式能力用于组合与探索，高风险操作需要参数明确、可审计，见 观察与动作空间;