大型语言模型（LLM）结合外部工具已展现出解决复杂任务的能力。但现有方法面临两大难题：多步多轮推理易碎，因工具输出类型和 API 模式不兼容；工具目录庞大时性能下降。为此我们提出 Tool Primitives，用自然语言取代刚性的 API schema，每个工具被包装成 LLM 接口，内部完成 schema 解析与执行，实现工具之间的自然交互，支持嵌套和多轮调用。基于此，我们构建 ToolFace，一个包含 25,519 条函数的集中仓库，LLM 在推理时动态检索所需工具，无需在上下文中列举原始 API schema。为在复杂场景下可靠调度 Tool Primitives 与 ToolFace，我们进一步设计 HEART（Harness Engineering via Agent‑native Reusable Tool primitives），包括 Planner、Router、Verifier 三个模块，分别负责动态调用规划、多步执行和基于反馈的恢复。实验在五个基准上显示，HEART 相比 SFT 基线平均提升 $10\%$，并且在平均 $6\%$ 超越 GPT‑5.4、Claude‑4.6‑Sonnet、Gemini‑3.1‑Pro，同时将 API 成本降低至最高 $85\%$。在 50 项真实任务中，HEART 达到 $84\%$ 完成率，是三大主流商业模型平均水平的 $3.8\times$（仅 $22\%$）。
点评