一句话看懂：一项 arXiv 新论文发现，在 MCP 协议下，工具的参数结构比名称和描述更能左右大模型的选择；即便功能相同，schema 不同也可能导致完全不同的调用结果。
事件核心：发生了什么
2026 年 10 月 14 日，arXiv cs.AI 发布了一篇关于 MCP（Model Context Protocol）工具选择的论文。研究者分析了 367,174 个 MCP 工具的元数据，发现功能相近的工具在参数 schema 上差异巨大，很多工具名称和描述相似，但暴露的参数结构完全不同。
为了验证这种差异是否会影响模型在调用前的选择，作者对五个大模型、五类任务进行了受控元数据干预。每次对比只改变一个因素——服务器名称、工具名称、描述或参数 schema，其他保持不变，并用条件逻辑回归校正工具位置带来的偏差。结果显示，参数 schema 变化引发的选择偏移最大且最一致；模型更偏好独立顶层参数，而不是分组或复合形式。能解释参数含义的描述也会提升被选概率，名称效应则较弱且不稳定。
为什么重要
MCP 正在成为大模型连接外部工具的事实标准之一，但工具选择长期被视为模型能力问题。这项研究提醒开发者和平台方：工具能否被选中，不仅取决于它“能做什么”，也取决于它的元数据“长什么样”。当功能一样、描述相近时，schema 设计可能直接决定哪个实现被调用，进而影响 API 调用量、服务成本和生态位。对 MCP 工具市场而言，这相当于引入了一套隐性的排序规则。
对用户/开发者/创作者的影响
对开发者来说，如果正在构建 MCP 工具，参数结构不应只考虑调用方便，还要考虑模型是否更容易选中。独立、命名清晰的顶层参数可能比嵌套或复合结构更占优势；描述里解释每个参数的作用，也可能提高被选率。对使用 AI 应用或代理的用户，同一需求可能因为工具 schema 不同而得到不同结果，重要任务中需要留意模型选中的工具是否匹配预期。对平台和评测方，工具排序与 schema 规范需要纳入评估，否则很难解释模型为何选了某个实现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，这项研究基于摘要公开信息，尚不构成产品规范或官方标准，后续是否被 MCP 生态采纳值得观察。第二，不同模型对 schema 的偏好是否稳定，需要更多任务和模型版本验证。第三，工具市场和 MCP 客户端是否会把 schema 质量、参数命名纳入排序或推荐，将直接影响开发者的优化方向。
来源：arXiv cs.AI
