让AI同时操控845个工具，上下文体积暴降92%的新协议

开发者给AI装工具，装到几十个就开始卡。不是模型不够聪明，是协议本身在拖后腿——每加一个工具，提示词就膨胀一圈，上下文窗口很快被塞爆。一位工程师最近开源了替代方案，用845个工具实测，token消耗砍掉九成，多步骤任务成功率从"第一步就崩"拉到七成。

这套叫Elemm的协议，全称"Every Landmark Enables Massive Modularity"，核心思路是"懒加载"：不给AI塞完整工具说明书，只给一张动态地图，让它按需调取。传统MCP（Model Context Protocol）把每个工具的定义、参数、示例全写进提示词，工具一多就成了灾难。Elemm改发"清单文件"，AI像查导航一样，只加载当前步骤需要的那几页。

具体数字来自GitHub API的极限测试。845个工具同时在线，Claude、Gemini、GPT-4旗舰模型全部通关，token用量比MCP少92%，操作步骤少84%。更狠的是边缘场景：用Qwen 3.5 0.8B这种"金鱼脑"小模型跑111工具的多步骤取证审计，Elemm成功率70%，标准MCP第一步就挂。

技术实现上，Elemm做了几层减法。自定义工具用Python装饰器一键封装成"Landmark"；OpenAPI或GraphQL的接口，贴个URL就能被AI精准调用；存量工具可以无缝桥接进清单架构。网关层统一收口三类协议，发现机制按需触发，序列引擎支持单轮内多API串联（A的输出直接喂给B），不用AI来回倒腾。

安全设计是另一块重点。Guardian策略引擎拦截危险模式（比如delete_*操作），受限Landmark对AI不可见；Secure Vault把API密钥存在本地，服务端注入，LLM全程碰不到；SmartRepair把报错转成可执行的"修复建议"，让AI自己纠错，而不是甩一堆堆栈跟踪让人类擦屁股。

Claude 4.6 Sonnet的测试反馈被写进文档：部署自主代理到大型API时，token消耗降超90%，单次任务成本从2.15美元压到0.25美元以下。另一位模型评价"不用同时 juggling 几百个工具定义"，复杂API的发现效率质变。

作者把Elemm定位为"大动作模型"时代的基础设施。当AI从"人类给什么工具用什么"进化到"自主发现、安全掌控任意接口"，硬编码工具定义的路会越走越窄。清单驱动、动态导航、上下文零膨胀，可能是下一代Agent的默认配置。

项目已开源，GitHub仓库含完整文档和基准测试。迁移成本是单条线索：现有工具包一层装饰器就能接入，不用重写业务逻辑。