能力相同，行为不同：MCP 与 CLI 接口下语言智能体的受控研究 Matched Capabilities, Different Behaviors: A Controlled Study of MCP and CLI Interfaces for Language Agents

完整流程如下。第一步，构建共享契约 $\mathcal{C}_t$：ALFWorld 从当前可行动作实例生成导航、拾取、加热、冷却等操作并保留完整对象名；WebShop 只保留 search(query) 与 click(target) 两个语义操作（商品选项、翻页、购买都是 click 的参数值）；ScienceWorld 把官方动作模板提升为类型化操作。第二步，表面渲染与一致性检查：MCP 渲染为命名工具加结构化参数，CLI 渲染为注册命令加 flag，并通过往返等价 $D^I(\text{Render}^I(a))\equiv_{\text{sem}}a$ 与共同原生编译 $K_{\mathcal{C}_t}$ 两道检查。第三步，受控评估：6 个模型（Qwen3-4B/8B/14B/32B、DeepSeek-v4-Flash、Gemini-2.5-Flash）× 3 环境（ALFWorld 134、WebShop 100、ScienceWorld 100 任务），共 2,004 对 episode；温度 0、top-$p=1$，输入/输出上限 24,576/16,384 token，各环境有独立的历史与调用预算。第四步，匹配状态探针：338 个源状态下交换 $\Phi/R/\Psi$ 的 8 种组合（C1=MMM 到 C8=CCC），每条件 8 次独立采样。第五步，配对轨迹：按任务配对、对齐最长语义前缀、定位 $t^\star$，统计后缀的语义一致性、失败恢复、token 与尝试次数、终局结果。第六步，DART 控制器：资格检查（可重试、策略自身失败、环境状态不变）→ 语义选择调用 → 验证并建立承诺 → 实现调用 → 保留门控 → 至多一次保留修正 → 否则 Release 回普通重试策略，所有调用共享 episode 级预算。

技术新颖性体现在四个层面。形式化上，论文首次把接口分解为 $I=(\Phi^I,R^I,\Psi^I)$、$R^I=(\rho^I,D^I)$ 四个模型侧组件并保持下游运行时共享，使"表征效应"成为一个可估计、可干预的量。统计上，$2\times2\times2$ 析因探针不仅给出主效应，还首次量化了此前被忽略的强交互效应——WebShop/Qwen3-14B 上三阶交互使 admission 移动 37.8 个百分点——说明接口组件的作用取决于周围配置，任何只消融单一组件的实验都可能得出误导性结论。方法学上，交互签名 $b^I_t=(\hat{a}^I_t,f^I_t,\omega^I_t,r^I_t)$ 与首次关键分歧 $t^\star$ 提供了一个可复用的轨迹层归因框架，把"哪里开始不同"与"之后如何演化"干净地分开。系统上，DART 的承诺—实现—修正三段式控制器以极小的协议改动（只增加控制器与触发配置）在六个设置中全部奏效，71–100% 的触发在首次实现即被接受，直接验证了 MICA 定位的实现边界。这套"分析定位机制 → 机制指导干预 → 干预反证机制"的论证结构本身也是一种方法论贡献。

独立分析发现以下弱点。第一，DART 假设"已验证的语义承诺值得保留"，但语义有效 $V(s_t,\bar{a}_t)=1$ 不等于语义正确：如果模型选了一个合法却无助于任务的动作，冻结承诺会把策略锁死在次优分支上，尤其在 DART 自身制造的重试循环中。改进方向是引入进度或价值信号，在连续失败后允许承诺降级与重新选择。第二，析因探针的设计（338 状态 × 8 条件 × 8 采样 = 21,632 条响应）在工程上昂贵，难以作为常规开发流程的一部分；可用主动学习挑选高信息量源状态，或用分式析因设计 $2^{3-1}$ 只测 4 个条件先估计主效应。第三，论文揭示了接口效应的方向不一致性（同一模型跨环境反转、最大落差 36.6 分），但没有给出可操作的接口选择规则；可以训练一个轻量元预测器，从模型家族、任务结构与历史统计预测 MCP/CLI 哪个更优，实现自适应接口路由。第四，受控 CLI 的语法空间远小于真实终端，引号类失败（如 18''x18'' 案例）在真实 shell 中会以更多形态出现（转义、变量展开、通配符）；应在真实终端环境复现 DART 的收益。第五，配对轨迹在温度 0 下进行，确定性解码可能低估分歧的随机成分，传播分析的效应量解释最好辅以温度扫描实验。

作者指出的方向：接口设计应被当作决策环境的显式组成部分，智能体控制器可以通过"保留已确立的语义决策、把修复限制在表征特定组件"来改进恢复可靠性。基于本文成果可延伸的研究包括：(1) 自适应接口路由——按任务与模型动态选择或混合 MCP/CLI 乃至原生接口，把 Table 1 中 ±36.6 分的落差变成可收割的收益；(2) 把承诺保持修复推广到 code-as-action 接口（以可执行代码作为动作表征），检验"实现边界"是否是接口无关的普适机制；(3) 训练侧干预——用接口增强的数据增广或接口不变性正则，让策略对表征扰动天然鲁棒，从根源上消除实现失败；(4) 把 $t^\star$ 分歧检测改造成在线监控信号，在轨迹早期触发保守回退或人工介入；(5) 把析因探针应用于推理模型（长思维链）与多接口混合 episode，刻画 $\Phi/R/\Psi$ 交互在更强模型上的演化规律；(6) 追问接口效应的预训练根源——为什么 DeepSeek-v4-Flash 对接口不敏感而 Qwen3-14B 极度敏感，这可能指向工具调用格式的预训练暴露差异，进而反过来指导后训练数据配比。

复现条件较好。代码开源于 GitHub（github.com/ModalityDance/MICA），论文的复现声明与附录覆盖非常完整：附录 B 给出任务集、生成配置（自然 episode 温度 0、探针 $T=0.6$、top-$p=1$、24,576/16,384 token 上下限）、各环境的历史与 episode 预算、配对估计量与 10,000 次 task-cluster bootstrap 协议；附录 C 给出契约渲染规则、三个 benchmark 的具体映射与往返一致性检查；附录 D/E 给出 DART 控制器伪代码、触发配置与完整 prompt 模板。数据全部来自公开 benchmark（ALFWorld 134、WebShop 100、ScienceWorld 100 任务），Qwen3 四个规模可从本地检查点加载，DeepSeek-v4-Flash 与 Gemini-2.5-Flash 走 API。主要成本在推理：基础研究需要 2,004×2 个 episode 加上 21,632 条探针响应，本地 32B 模型需要高显存单卡或量化方案，API 部分则是费用与限流问题。总体难度中等偏上：工程细节密集（解码器、保留门控、预算记账），但协议与代码覆盖充分，有智能体评测经验的团队可在数周内复现 Table 1 与 DART 六设置的核心结论。