能力相同，行为却不同：MCP 与 CLI 如何改变智能体决策

导语：当语言模型开始调用工具、操作软件或进入交互式环境时，接口就不再只是连接模型与程序的技术细节。相同的能力，如果被包装成不同的工具描述、命令格式或反馈形式，可能诱导智能体采取不同的行动。来自 Hugging Face Daily Papers 的这项研究，正面检验了这一问题。

核心要点

• 研究团队提出 MICA（Matched Interface Comparison and Analysis），以同一份语义动作契约分别生成 MCP 和 CLI 接口，再把解码后的动作送入同一个运行时，从而尽量排除底层能力差异。
• 实验覆盖六个模型和三个交互环境。结果显示，匹配能力并不意味着匹配行为：两种接口在任务表现和交互成本上都出现了明显差异。
• 差异并不局限于“调用格式是否有效”。接口呈现、动作实现方式和环境反馈都会影响语义动作选择、失败路径以及后续恢复。
• 在 2,004 条配对轨迹中，94.3% 的回合出现了结构化分歧，且早期的不同选择往往会传导到后续交互。
• 研究还提出 DART（Decoupled Action Realization and Targeted Repair）。它保留已经确认的语义意图，只修复与具体接口有关的实现问题，在六个评测设置中均提升了基准成绩，最高提升 9.0 个百分点；在 MCP 场景下，单任务 token 成本最多减少 27.1k。

这项研究意味着什么

MICA 的价值在于把“工具能力”和“工具界面”拆开衡量。过去，智能体表现不佳常被归因于模型能力、工具设计或执行环境，但如果接口本身就是决策过程的一部分，那么仅比较最终成功率，可能无法判断问题究竟出在哪里。该研究通过匹配语义能力和共享运行时，为定位这种影响提供了更严格的实验边界。

对智能体开发者而言，工具协议的选择不应只考虑工程接入便利性，还应评估模型如何理解动作空间、如何处理错误以及如何利用反馈。对评测工作而言，未来有必要报告接口表示、调用成本和恢复行为，而不只是一次性的任务得分。DART 则展示了一个可操作的方向：不要在实现层出错后推翻整个决策，而是尽量保留已经验证的语义承诺，再针对接口层进行定向修复。

这项工作并非证明 MCP 或 CLI 在所有场景下必然更优，而是提醒我们：接口实现本身就是影响智能体行为的干预变量。随着工具调用成为模型应用的基础设施，如何设计、比较和修复接口，可能与模型本身的升级同样重要。

来源：Hugging Face Daily Papers