检索日期：2026-03-27 使用原则：只保留能直接证明“tool call 只是动作接口，不等于完整 Agent 定义”的来源；优先官方运行时文档，其次是方法论文和 tool-use benchmark。
Writing Effective Tools for Agents 作者/机构：Anthropic 年份：2025-09-11 URL：https://www.anthropic.com/engineering/writing-tools-for-agents 角度：工具是 deterministic systems 与 non-deterministic agents 之间的软件契约 采用原因：最适合支撑“工具只是部件，不是定义”。
Building Agents with the Claude Agent SDK 作者/机构：Anthropic 年份：2025-09-29 URL：https://www.anthropic.com/engineering/building-agents-with-the-claude-agent-sdk 角度：
gather context -> take action -> verify work -> repeat采用原因：直接证明工具只是take action一环，完整 Agent 还包括上下文、验证与反馈循环。How to Implement Tool Use 作者/机构：Anthropic 年份：持续更新 URL：https://docs.anthropic.com/en/docs/agents-and-tools/tool-use/implement-tool-use 角度：tool schema、tool choice、并行调用、结果回传 采用原因：适合证明 tool use 是动作协议层，不是完整系统定义。
Building Effective Agents 作者/机构：Anthropic 年份：2024-12-19 URL：https://www.anthropic.com/engineering/building-effective-agents 角度：tool-using agents 的定义核心是 environmental feedback in a loop 采用原因：适合把“重点不在有 tools，而在 loop”压实。
OpenAI Agents SDK 作者/机构：OpenAI 年份：持续更新 URL：https://openai.github.io/openai-agents-python/ 角度：Agents、Agents as tools、Guardrails、Sessions、Tracing 采用原因：OpenAI 明确把 Agent 定义成运行时系统，而不是 function calling 封装。
Running agents 作者/机构：OpenAI 年份：持续更新 URL：https://openai.github.io/openai-agents-python/running_agents/ 角度：tool calls 只是 agent loop 中的一个动作节点 采用原因：最适合支撑“Agent 真正的定义在 loop，而不在 tool call 本身”。
Function calling 作者/机构：OpenAI 年份：持续更新 URL：https://platform.openai.com/docs/guides/function-calling/lifecycle 角度：tools、tool calls、tool outputs 的接口定义 采用原因：反向证明 function calling 只是能力接口层。
Guardrails 作者/机构：OpenAI 年份：持续更新 URL：https://openai.github.io/openai-agents-python/guardrails/ 角度：tool guardrails 与 agent-level guardrails 的层次区分 采用原因：适合支撑“完整 Agent 还需要约束层与系统级控制”。
Microsoft Foundry Agent Service Overview 作者/机构：Microsoft 年份：2026-03-13 URL：https://learn.microsoft.com/en-us/azure/foundry/agents/overview 角度：tools 只是 agent system 中的数据或动作能力部件 采用原因：适合从平台视角证明 tools 是部件，不是定义。
Agent and Agent Runtime — AutoGen 作者/机构：Microsoft 年份：持续更新 URL：https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/framework/agent-and-agent-runtime.html 角度：agent runtime 负责通信、生命周期、安全边界、监控和调试 采用原因：适合支撑“真正的 Agent 是运行时实体”。
Adding Memory to Semantic Kernel Agents 作者/机构：Microsoft 年份：2025-06-09 URL：https://learn.microsoft.com/en-us/semantic-kernel/frameworks/agent/agent-memory 角度：requirements、proposals、decisions、actions 的持续记忆 采用原因：适合证明没有 memory、state、context，单有 tools 不足以构成完整 Agent。
Agent Runtime - Agent Development Kit 作者/机构：Google 年份：持续更新 URL：https://google.github.io/adk-docs/runtime/ 角度：event loop、runner、session、artifact service 采用原因：从 Google 侧证明 tools 只是 runtime 中的一类 component。
ReAct: Synergizing Reasoning and Acting in Language Models 作者/机构：Shunyu Yao 等 年份：2023 URL：https://arxiv.org/abs/2210.03629 角度：推理与行动交错循环 采用原因：适合证明 Agent 不只是“先想完再调一次工具”。
Toolformer: Language Models Can Teach Themselves to Use Tools 作者/机构：Timo Schick 等 年份：2023 URL：https://arxiv.org/abs/2302.04761 角度：何时调用、调用什么、参数怎么给、结果如何纳入后续推理 采用原因：适合说明 tool use 只是决策-动作链的一环。
Reflexion: Language Agents with Verbal Reinforcement Learning 作者/机构：Noah Shinn 等 年份：2023 URL：https://arxiv.org/abs/2303.11366 角度：反馈、反思、轨迹修正 采用原因：直接补“只有工具不够，Agent 还需要反馈与反思”。
Gorilla: Large Language Model Connected with Massive APIs 作者/机构：Patil 等 年份：2023 URL：https://arxiv.org/abs/2305.15334 角度：API grounding 与调用准确性 采用原因：适合作为反衬，说明“会调 API”不等于完整 Agent。
ToolBench: A Tool Learning Benchmark for Large Language Models 作者/机构：Qingfei Ye 等 年份：2023 URL：https://arxiv.org/abs/2307.16789 角度：工具选择、文档理解、参数构造、多步 tool-use 轨迹 采用原因：适合说明动作接口能力本身已经是独立难题，但仍不等于任务闭环。
APIBank: A Benchmark for Tool-Augmented LLMs 作者/机构：Yifan Li 等 年份：2023 URL：https://arxiv.org/abs/2304.08244 角度：API 选择、调用顺序、参数填充、错误处理 采用原因：适合支撑“动作接口层”与“完整 Agent 层”的区分。
Berkeley Function-Calling Leaderboard 作者/机构：Berkeley / Gorilla 团队 年份：2024 URL：https://gorilla.cs.berkeley.edu/leaderboard.html 角度：function calling 的细粒度评测维度 采用原因：适合补一句关键判断，函数调用分高不等于 Agent 已具备目标、状态、反馈与任务收口能力。
LangSmith Deployment 作者/机构：LangChain 年份：持续更新 URL：https://docs.langchain.com/langsmith/deployments 角度：为 agent workload 设计的 workflow orchestration runtime，支持 long-running stateful execution 采用原因：适合从系统架构侧证明真正的 Agent 还需要 durable execution、interrupt、resumption 等能力。
LangGraph Interrupts 作者/机构：LangGraph 年份：持续更新 URL：https://docs.langchain.com/oss/python/langgraph/interrupts 角度：interrupt、state save、resume 采用原因：适合支撑“只靠 tool call 根本不足以支撑真实任务”。
LangGraph Persistence 作者/机构：LangGraph 年份：持续更新 URL：https://docs.langchain.com/oss/python/langgraph/persistence 角度：checkpoints、memory、fault-tolerance、time travel 采用原因：适合证明真正的 Agent 还需要状态与持久化层。