MCP工具偏好致资源浪费：54,000次实验揭示LLM行为缺陷
alex_verem · x · 2026-08-12
一项最新研究发现，当大模型同时拥有系统提示词中的直接答案和外部搜索工具时，往往会忽略现成答案而选择去搜索，造成不必要的资源浪费。
- 研究团队在包含 24 个主流模型（来自 Anthropic、Google、OpenAI）的 54,000 次试验中发现，移除搜索工具后，23 个模型能几乎完美地读取提示词中的答案（命中率 ≥98%）。
- 一旦重新提供搜索工具，有 9 个模型的直接读取率暴跌至 15% 以下。
- 令人担忧的是，这种“舍近求远”的偏好在新一代模型中反而更严重（如 GPT-5 和 Gemini 3 Pro 表现远逊于前代）。
- 研究者推测，这可能是由于当前 Agent 基准测试过度奖励了成功的工具调用行为所致。
所属事件:研究揭示大模型在MCP环境下的工具调用缺陷(2 条相关)→
「编程与Agent」频道最新
- Nuphos：将云账单异常转化为可执行的修复方案 — nikola_mr64990 · 2026-08-13
- AWS 专家将探讨 AI 智能体代码审查与验证挑战 — ShadajL · 2026-08-13
- 实测对比：当前大模型均易犯低级推理错误，Grok 胜在速度快 — jsuarez · 2026-08-13
- Gradio 6.23.1发布：优化MCP工具必填字段与OAuth配额 — Gradio · 2026-08-13
- ZZBoard 发布：多智能体自主协作与 x402 支付协议整合 — kleffew94 · 2026-08-13
- AI 编程悖论：构建门槛新低，架构认知要求新高 — dfinke · 2026-08-13