获取研究可用的所有工具列表，或根据用户查询智能推荐最合适的工具并提供研究策略指导。

两种使用模式：

模式1：获取所有工具

• 直接调用，不传任何参数

• 返回所有可用工具的完整列表

• 用于了解系统中有哪些工具可用

模式2：智能工具推荐（推荐）

• 传入 user_query 参数

• 系统会根据查询内容智能推荐最合适的工具

• 返回推荐工具列表、参数建议和研究策略

• 适用于需要搜索、研究或查询的场景

参数说明：

• user_query（可选，推荐模式必需）：用户的研究查询或问题

• max_tools（可选）：推荐的最大工具数量，默认 5

• max_iterations（可选）：最大搜索迭代次数，默认 3

• prompt_mode（可选）：提示词模式，接受任何字符串值。预定义模式包括 tool_recommendation（默认，快速推荐）和 deep_research（深度研究）。用户也可以在 prompts/ 文件夹中创建自定义提示词模式，文件夹名称即为模式名称

返回内容： 模式1（获取所有工具）：

• tools：所有工具的完整列表

• total：工具总数

模式2（智能推荐）：

• selected_tools：推荐的工具列表，包含工具名、参数建议和使用理由

• research_strategy 或 research_plan：研究策略和执行计划

• 执行指南：如何使用推荐的工具

重要说明：

• 推荐的工具必须通过 execute_tools 工具执行

• 推荐多个工具时，使用 execute_tools 的批量模式（tools 参数）并行执行以获得 3-5倍加速

• 仅在工具之间存在依赖关系时使用单个模式（tool_name 参数）顺序执行

智能推荐约束：

• LLM 必须返回有效的 JSON 格式

• tool_name 必须是工具列表中存在的完整工具名（格式为 server_name-tool_name）

• suggested_params 中的参数名必须严格匹配工具的 input_schema 定义

• 必须包含 selection_reason 说明选择理由

• 参数值必须符合 input_schema 中定义的类型和约束

示例： 获取所有工具：{"name": "get_tool_list"} 智能推荐：{"user_query": "搜索人工智能的最新新闻"} 深度研究：{"user_query": "分析人工智能在医疗领域的最新进展", "prompt_mode": "deep_research", "max_tools": 5} 自定义模式：{"user_query": "搜索新闻", "prompt_mode": "news_mode"}

执行从远程MCP服务器获取的工具（支持单个或批量并行执行）。

重要约束：

• 此工具只能执行从远程MCP服务器获取的工具，工具名称格式为"server_name-tool_name"

• 不能执行用户直接添加到MCP客户端的其他工具

• 如果工具名称不是"server_name-tool_name"格式，说明该工具应该直接调用，不要通过此工具执行

如何区分：

• 工具名称包含 "-" 且格式为 "server_name-tool_name" 则通过此工具执行

• 工具名称不包含 "-" 或不是 "server_name-tool_name" 格式则直接调用

使用方式： 方式1：执行单个工具 {"tool_name": "server_name-tool_name", "arguments": {"参数名": "参数值"}} 方式2：批量并行执行多个工具（推荐，3-5倍速度提升）{"tools": [{"tool_name": "server_name-tool_name", "arguments": {...}}, {"tool_name": "server_name-tool_name", "arguments": {...}}]}

性能优势： 当需要执行多个工具时，使用批量模式可以并行执行，提供3-5倍速度提升。所有工具同时执行，无需等待。

适用场景：

• 单个工具执行：使用方式1

• 多个工具（无依赖）：使用方式2批量并行执行

• 多个工具（有依赖）：使用方式1顺序执行

注意事项：

• 只能执行格式为 "server_name-tool_name" 的工具

• 批量执行时，所有工具并行执行，互不等待

• 如果工具之间有依赖关系，请使用方式1逐个执行