1加一个近邻，掉 4.7 个点
2026 年 10 月 16 日，arXiv 收到 Robust Function Calling for LLM Agents Under Interface Drift（arXiv:2610.23342v1，cs.AI，作者 Aniruddha Chattopadhyay、Kanishka Halder、Partha Sarathi Roy，单位署 Independent Researcher）。预印本，未经同行评审。论文写有公开仓库 AniruddhaChattopadhyay/tool-drift；本轮只核对仓库存在，没有核对其运行产物是否覆盖正文 300 条和 200 条。
工具调用靠三段文本：工具描述、参数 schema、这一次调用时模型看得见的候选工具列表。底层工具语义可以不变，这三段仍会改：文档补了过时例子、字段改名、目录里多了一个近邻。论文把这类改动叫接口漂移，并分开测。
这篇只论证一个判断。判断是我的，依据是论文第 6.4 节和表 4。DICE-300 每个任务原先只有一个候选工具。Qwen3.5-9B 上，只加一个描述重叠的干扰工具，准确率从 0.757 降到 0.710，掉 4.7 个点（分母 300；0.757×300≈227，0.710×300=213，净少约 14 条）。只改描述从 0.760 到 0.747，掉 1.3 个点（约 4 条）；只改参数名从 0.767 到 0.760，掉 0.7 个点（约 2 条）。三件一起做从 0.763 到 0.713，掉 5.0 个点（约 15 条）。四行原接口分数不同，我按「evaluates each in isolation」读成分开跑，不能横比成同一个倍数。4.7、1.3、0.7 是点估计，表 4 没给区间，也没有配对检验；4.7 对 1.3、0.7 的差距未经检验。同一套三件一起的配置，跨轮次掉幅分别是 3.7（表 1 预言机，0.750→0.713）、4.0（表 1 非预言机，0.757→0.717）、5.0（表 4，0.763→0.713）个点。第 4–6 节是修补层和跨模型对照，不当主判断。
主实验另有一张表。表 1 的非预言机协议把三种漂移叠在一起：DICE-300 上 Qwen3.5-9B 原接口 0.757（95% 自助区间 0.70 至 0.80），漂移后 0.717（0.67 至 0.77，seed 42），分母 300。原先做对的 227 条里，漂移弄错 22 条。表 1 和表 4 的 Orig/Drift 读数对不上（0.757/0.717 对 0.763/0.713），修补列都是 0.813；原文 6.4 写表 4 的「三件一起」修补列取自主实验。0.717 和 0.710 不能当成一次实验的两个读数。
2每次调用看见的那张列表
每次评测分三步：原接口、漂移后的接口、对校验失败的调用做一次修补。漂移注入一次。打分前，金标准调用按改名后的 schema 重写。修补只在校验判定调用无效或不完整时触发。温度 0.0；论文写，托管推理仍可能有提供商侧的不确定。
两套切片：
- DICE-300。300 条，取自 DICE-BENCH 单函数、第一轮对话，允许重复函数以凑够条数。轻度：两种描述改法（legacy-example 和 marketing）、两种 schema 改法（rename-parameters 和 reorder-parameters）、一个干扰工具。这一片里，每个任务原先恰好一个候选工具。
- BFCL-200。200 条，四类各四分之一：simple Python、multiple-function、live-simple、live-multiple。中等：三种描述改法、三种 schema 改法、三个干扰工具。和 DICE 的轻度、一个干扰工具不是同一套强度。
三种算子都是作者按部署场景设计的，论文没有从变更日志里挖分布。论文另外人工看了 Notion 和 Stripe 2022–2026 的 11 条官方变更：6 条对得上文档/例子和参数/schema，3 条接近「厂商加了或合并了邻近工具」，2 条是更大的结构重构，落在语义保持的范围外。论文把合成算子当成常见表面改动的压缩模型，没有当成全部 API 演化的实测分布。
修补协议分两档。正文主证据是非预言机：校验对着模型选中的、当时可见的那个工具；模型没写出工具名时，先在可见工具上做一次候选重试，再约束修补。预言机档把目标工具直接告诉修补阶段，论文只当上界，不当部署证据。下面凡是非预言机的数字，都写明；预言机的另标。
3改描述和改参数名几乎不动
表 4 把三种算子拆开，仍在 DICE-300、Qwen3.5-9B 上。描述漂移：legacy-example（往说明里加过时或遗留字段名的例子）和 marketing。schema 漂移：rename-parameters（改参数名、保持语义）和 reorder-parameters（改参数顺序）。候选集漂移：加一个描述重叠的干扰工具。
| 只做哪一种 | 原接口 | 漂移后 | 掉了多少 | 修补后 | 修补口径 |
|---|---|---|---|---|---|
| 只改描述 | 0.760 | 0.747 | 1.3 个点 | 0.813 | 单候选，等同预言机 |
| 只改参数名 / 顺序 | 0.767 | 0.760 | 0.7 个点 | 0.830 | 单候选，等同预言机 |
| 只加干扰工具 | 0.757 | 0.710 | 4.7 个点 | 0.817 | 非预言机 |
| 三件一起 | 0.763 | 0.713 | 5.0 个点 | 0.813 | 非预言机，修补列取自主实验 |
分母都是 300。掉了多少看原接口到漂移后；修补列是另一回事。这一片每个任务原先只有一个候选工具，所以只改描述、只改参数名时，修补目标会退化成预言机档。非预言机问的是：加了干扰工具之后还能不能修。论文另跑了一轮只加干扰工具的非预言机修补，到 0.817。
4第二套切片上，三件一起也掉
这一节不是主判断。BFCL-200 没有把三种算子拆开，0.790→0.580 不能算到干扰工具头上。它只表明：换一套切片、换成中等强度（三个干扰工具加更多描述和 schema 改法），叠在一起的表面改动仍然掉分。
表 1 非预言机：Qwen3.5-9B 原接口 0.790（区间 0.74 至 0.84），漂移后 0.580（0.51 至 0.65），修补后 0.805（0.75 至 0.86）。分母 200。原先做对 158 条，漂移弄错 45 条。同一张表上的 DICE-300 非预言机：原接口 0.757（0.70 至 0.80），漂移后 0.717（0.67 至 0.77）。分母 300。0.580 和 0.717 不能放进同一个倍数。
5漂移弄错的调用，校验看见多少
这一节只用来看：列表变了之后，失败是不是写残的调用。原先做对的那一截里，漂移弄错的调用进得了校验的：DICE 20/22，BFCL 45/45。DICE 剩下 2 条，原文 6.6 写成 validator-invisible value mismatches，参数值不对，校验看不见。整片上，DICE 漂移弄错 85 条里 63 条校验看得见（22 条看不见，占 26%）；BFCL 84 条里 73 条（11 条看不见，占 13%）。论文把合法但值不对叫残余；整片 26% 仍进不了校验。
表 3 相对漂移后调用多出来的条数：DICE 29 条（0.813−0.717，约 29/300），19 条是原先做对、漂移弄错、又修回来的，10 条是原接口就错、修补顺手补上的。BFCL 45 条（0.805−0.580），33 条漂移救回，12 条补原接口。相对原接口，DICE 大约多 17 条。论文把后一列当成附带好处，不当主因果。
论文把修补栈叫 SchemaShield-Lite：校验错误报告，加上一次约束修补；名字缺失时先在可见工具上重试。表 2 是另一轮，用来排除「再生成一次就好」。无新信息的重试：DICE 0.727、BFCL 0.610。只告诉模型调用无效并列出工具名：0.753 和 0.625。SchemaShield-Lite 这一轮是 0.813 和 0.795。表 2 的漂移后读数（0.713、0.590）和表 1（0.717、0.580）不是同一轮。
6别的模型上掉幅不一样
同一套 BFCL-200 非预言机协议，GPT-4o-mini 原接口 0.865，漂移后 0.840，掉 2.5 个点；修补 0.860，增益不显著（McNemar p = 0.125）。论文把这一轮当可信度核对：更强的闭源模型上，这一套漂移一开始就伤得少。Qwen3.5-35B-A3B 漂移后 0.635、修补后 0.845。Llama-4-Scout 漂移后 0.635、修补后 0.665（p = 0.031），常不写工具名，未解析 43 个，原先做对的一截只救回 1/11。
相对更早一轮「名字缺失就跳过」，候选重试把 DICE 修补后准确率从 0.780 抬到 0.813，未解析目标从 35 降到 15；BFCL 从 0.725 到 0.805，未解析从 34 降到 9。论文写，最干净的非预言机证据仍集中在 Qwen3.5 家族。不写工具名时，修补层没有目标。
7你的工具列表在涨吗
证据边界先写清：表 4 是每个任务从 1 个候选变成 2 个、单个 Qwen3.5-9B、DICE-300 一个切片。生产目录已经有几十个工具时，4.7 个点读不出来。GPT-4o-mini 在 BFCL 三件一起、含三个干扰工具的设置下只掉 2.5 个点（0.865→0.840）。
在这条边界里，加一个描述重叠的近邻，掉幅已经接近把描述、参数名、候选集三件一起做。改文档例子和改字段名、参数顺序，在这一片上几乎不动。
10-06 写过，扫到的 MCP 工具默认先关着。10-11 写过，护栏的选项名也是输入。这一篇补的是第三段文本：可见工具列表本身。论文建议盯工具目录扩张，优先于小改文档和参数。这是论文在自己切片上的建议，没有测过目录治理效果。论文还写，同一套修补栈原则上也能盖住对抗性的工具注入，建议和新加工具的来源检查一起用；这条没有实验。
下面是我的推断，论文没有在 MCP 网关或生产目录上做对照。编辑起点如果是给每个新工具写更清楚的描述，表 4 说这条在 DICE-300 上不是主伤害。要看见 4.7 个点那一列，看的是这一次调用模型实际看见了几个近邻，仓库注册总数对不上这一列。校验能拦住的是写残的调用；DICE 原先做对的 22 条漂移错误里，有 2 条合法但参数值不对，只盯 schema 合法会漏掉它们。
8这篇没测到的
- 最干净的非预言机数字在 Qwen3.5。35B 复制了 BFCL 方向。Llama 受困于不写工具名。没有更宽的闭源扫描。跨家族的多模型数字大多是预言机上界。
- 算子是作者设计的。测了过时描述、营销改写、字段改名、参数重排、干扰工具。类型收窄、枚举替换、多工具重构没测。11 条变更日志是人工对照，没有当成变更事件的抽样分布。
- 漂移类型消融和组件消融仍是预言机上界。原文写，非预言机解析失败时，机制结论未必能原样搬过去。原接口到漂移后这一列不经过修补，标题用的 4.7、1.3、0.7 不受这条影响。只改描述、只改参数名的修补列在单候选任务上会退化成预言机。
- DICE-300 允许重复函数。300 条来自单函数第一轮，覆盖不到 DICE-BENCH 全量。BFCL-200 是四类各 50 条。
- 托管推理。温度 0.0，提供商仍可能引入不确定。延迟数字来自另一次 BFCL 重跑，触发率 27.0%，和表 1 的 32.0% 分开读。
- 严格字符串匹配低估救回。三个非主模型预言机档上，13 条没救回的里 11 条是格式或同义写法，2 条是真没修好。正文主表的救回率按严格匹配报，是下界。打分噪声也会动原接口到漂移后的差值：Mistral 上 15/23 条「漂移后更好」被读成匹配假象。
9出处
数字来自预印本 HTML 全文（arxiv.org/html/2610.23342v1，abs，2026-10-16，未经同行评审）。表 1、表 2、表 3、表 4 和第 6.1–6.7 节、第 8 节。仓库 github.com/AniruddhaChattopadhyay/tool-drift 本轮只核对存在。abs 页 published 时间为 2026-10-16T11:49:37Z。
OpenAI 新闻页直连返回 403，未核对当日条目。用 r.jina.ai 读到的副本上近几日是 Rosalind 学术计划和教学帖，没有带分母的工具列表测量；这条未作为数字来源。Anthropic 10 月 15 日独立评估方更新给 METR employee-like access，没有可写进运行位的新测量。Hacker News 用 firebase API 拉到的当时首页有 Harness Engineering 101、Harness2 仓库和 Hybrid Reasoning Agents，没有带这一组分母的接口漂移测量。Product Hunt 当日榜用 r.jina.ai 读到 Beam.win、readywhen，未作为数字来源。X、Reddit 今日未覆盖：本机没有可用登录态。arXiv cs.AI / cs.CL / cs.LG 的 export API 本轮抓取时返回的最新提交停在 2026-10-16T17:59Z。
谱系和增量层分别在 递归自改进前世今生 和 冻底座、改脚手架。这篇只加一条：可见工具列表也是输入，DICE-300 上加一个描述重叠的近邻掉 4.7 个点，改描述掉 1.3，改参数名掉 0.7。