Английский | 中文

Начало | Справочник CLI | Конфигурация | Журнал изменений | Дорожная карта

Демонстрация: Анализ 2 лет данных акций NVDA, AMD и SPY (15 000+ строк сырого JSON) с использованием DeepSeek V3.2

Что такое вызов программного инструмента?

Этот проект является открытой реализацией недавно введённого Anthropic Programmatic Tool Calling (PTC), который позволяет агентам вызывать инструменты с выполнением кода, а не совершать отдельные вызовы JSON. Эта парадигма также представлена в их более раннем инженерном блоге Code Execution with MCP.

Почему PTC?

1. LLM исключительно хорошо пишут код! Они отлично понимают контекст, рассуждают о потоках данных и генерируют точную логику. PTC позволяет им делать то, что у них получается лучше всего — писать код, который координирует весь рабочий процесс, а не рассуждает по одному вызову инструмента за раз.

2. Традиционный вызов инструментов возвращает полные результаты в контекстное окно модели. Предположим, что 1 год ежедневных цен акций за 10 тикеров. Это означает 2 500+ точек данных OHLCV, загрязняющих контекст — десятки тысяч токенов только для вычисления сводки портфеля.

Open PTC Agent

English | 中文

Getting Started | CLI Reference | Configuration | Changelog | Roadmap

Demo: Analyzing 2 years of NVDA, AMD & SPY stock data (15,000+ lines of raw JSON) using DeepSeek V3.2

What is Programmatic Tool Calling?

This project is an open source implementation of Anthropic recently introduced Programmatic Tool Calling (PTC), which enables agents to invoke tools with code execution rather than making individual JSON tool calls. This paradigm is also featured in their earlier engineering blog Code execution with MCP.

Why PTC?

1. LLMs are exceptionally good at writing code! They excel at understanding context, reasoning about data flows, and generating precise logic. PTC lets them do what they do best - write code that orchestrates entire workflows rather than reasoning through one tool call at a time.

2. Traditional tool calling returns full results to the model’s context window. Suppose fetching 1 year of daily stock prices for 10 tickers. This means 2,500+ OHLCV data points polluting context - tens of thousands of tokens just to compute a portfolio summary. With PTC, code runs in a sandbox, processes data locally, and only the final output returns to the model. Result: 85-98% token reduction.

3. PTC particularly shines when working with large volumes of structured data, time series data (like financial market data), and scenarios requiring further data processing - filtering, aggregating, transforming, or visualizing results before returning them to the model.

How It Works

User Task
    |
    v
+-------------------+
|    PTCAgent       |  Tool discovery -> Writes Python code
+-------------------+
    |       ^
    v       |
+-------------------+
|  Daytona Sandbox  |  Executes code
|  +-------------+  |
|  | MCP Tools   |  |  tool() -> process / filter / aggregate -> dump to data/ directory
|  | (Python)    |  |
|  +-------------+  |
+-------------------+
    |
    v
+-------------------+
|Final deliverables |  Files and data can be downloaded from sandbox
+-------------------+