一个 Agent 接了上百个工具,任务完成率却没有提高,问题可能不在模型,而在它每轮“看见”了多少工具。原文提醒我们:工具多不等于更好用,决定成败的是选择与展示策略。

这是什么

Agent 是能分步骤调用工具完成目标的 AI 助手。它通常会面对一套工具说明,包括功能、必填字段和使用格式。一次性展示全部说明,会占用模型一次能处理的信息空间;token 可粗略理解为模型处理文本的信息篇幅单位。

这里需要区分两件事:能力形态决定工具做成专用功能、通用命令还是 Skill(写明某类任务如何操作、也可附带脚本的说明文件);展示策略决定当前给 Agent 看多少工具。更常见的设计是先提供简短目录,任务推进后再展开相关说明,甚至由 Agent 在需要时主动查找工具。

MCP(Model Context Protocol,连接 AI 应用与外部服务的通用接口)解决的是工具“怎样接得上”,不负责判断这一轮该展示哪些工具。Skill Hub 则更像操作说明的分发渠道。

行业怎么看

我们认为,行业正在从“连接数量”转向“工具治理”。对搭建者而言,更重要的指标不是接入多少服务,而是能否找到正确工具、遇到不匹配时是否明确说“没找到”,以及是否限制工具可访问的数据和系统权限。

但按需发现并非已被充分证明。原文引用的测试使用 Qwen3-4B,仅覆盖三道任务,一次性展示与按需查找两组都完成了 3/3,准确率均为 100%。测试只显示主动发现减少了说明暴露量和实测用时,同时出现无关调用与过早结束,不能据此断言按需方案普遍提高准确率。

风险也很具体:第三方工具说明可能夹带诱导性指令,Skill 附带脚本还可能执行本地代码。可搜索、可安装不等于可以立即开放通讯录、邮件或其他权限,来源、版本和访问范围都应被检查。

对普通人的影响

对企业 IT:评估 AI 助手时,采购重点应从工具数量转向筛选机制、调用记录与权限边界,避免“功能很多、选择很乱”。

对个人职场:企业采购的 Agent 未必接入工具越多越好。更可靠的助手通常知道当前任务需要什么,也能在缺少合适工具时停止并说明原因。

对消费市场:未来应用间连接会更普遍,但用户真正感知到的差异将不是“支持多少服务”,而是能否少点几步、准确完成任务并控制敏感数据授权。