给一台智能体 300 多个互相依赖的工具，会发生什么？近期更新到 v2 的基准 ComplexMCP 把答案摆在台面上：人类评估者平均拿到 93.61%，而 16 个被测模型里表现最好的 Gemini-3-Flash 也只有 55.31%，没有一个跨过 60%。这不是单点推理的失败，而是工具规模带来的系统性天花板。
差距不在智商，在工具规模
ComplexMCP 在七个有状态应用沙箱（操作系统、社交、电商、天气、航班、股票、新闻）上手工设计了 47 个任务，通过 MCP 暴露 150 多个互相依赖的工具和另一组无状态接口，再用种子初始化和注入式 API 故障扰动环境。结果是清晰的：人类约 94%，顶尖模型卡在 55% 附近，GLM-4.7 42.55%、Claude-Opus-4 41.84%，整张表里没有模型越过 60%。换句话说，当工具数量上到几百且彼此牵连，瓶颈从「聪不聪明」变成了「能不能在正确的时机调正确的工具」。
三道瓶颈
论文把失败拆成三类，而且这三类随部署形态变化，不是智能体固有的毛病。其一是检索饱和：动作空间一大，智能体就挑不准下一步该用哪个工具，即便上迭代式向量召回，也不如把全部工具清单放进上下文。其二是过度自信：不先核实环境状态就动手，比如下单时假设用户一定存在、交易时假设账户额度够用。其三是战略投降：一遇到瞬时 API 错误或缺前置条件就放弃，而不是尝试恢复，GPT-5 在这种设定下只拿到 19.14%，被论文形容为「礼貌性投降」，越是重度训练拒绝与 hedging 的模型越容易中招。
和「菜单大小」不是一回事
这里要和另一篇近期基准（菜单从 8 个涨到 128 个时成功率掉 17.5 个百分点）区分开：那篇量的是工具「菜单大小」对整体成功率的平滑影响；ComplexMCP 量的是互相依赖工具在真实扰动下的三类失败模式。两者合力说明同一件事——工具层是智能体当前最容易被忽视的短板，只是一个从「数量」切入，一个从「结构」切入。
部署形态决定风险
论文给了一张实用的对照表：10 到 30 个精选工具、单域，风险低；50 到 150 个、多域，检索与过度自信风险明显抬升；300 以上、有状态且互相依赖，三类瓶颈全部高发，必须上全量清单和显式恢复提示。对工程上的启发也直接：与其堆几百个细粒度工具，不如并成更少、更高层的工具（论文提到的 Consolidate Agent Tools、Tool Minimalism 正是这个思路），从设计上让检索不再饱和。
目前官方及行业暂未披露更多细节，包括各模型在真实企业系统里的表现口径，后续将持续跟进迭代动态。对正在把工具调用智能体推进生产的团队，ComplexMCP 的价值是把一句含糊的「agent 不够稳」拆成了可定位的三类病根。