TSO 是什么？

四个环节分开看，才知道卡在哪

工具没被智能体用上，可能是根本没进入候选列表，模型看不到它；也可能进了列表，模型却选了别的工具。为了应对大量工具，Anthropic、OpenAI 与 Microsoft Foundry 都提供工具搜索功能，先搜索，再把需要的工具定义加载到模型的上下文中。

假设一家餐厅的订位 API 已接入某个 AI 智能体，用户说要订位，它却没有被调用。如果它不在搜索返回的候选工具里，问题出在候选曝光；如果在列表上却输给了另一个订位工具，要看模型选择；如果被选中但日期参数填错，就是调用与执行出了问题。这是用于说明的假设情境，不是 LS-Labs 的观测。

候选曝光和模型选择读取的信息，也不完全相同。Microsoft Foundry 允许为每个工具设置只供搜索使用的文本，这段文本会被索引，模型在 MCP 响应中却看不到。因此提高被找到的机会，不一定会改变模型最后选择谁。

TSO 和 MCAC、GEO 的分工

GEO 与 MCAC 看的是 AI 怎么回答：GEO 研究并调整内容在生成式 AI 回答中的可见度；MCAC 分别检查品牌提及、引用来源、信息准确性与行动入口。TSO 看的是 AI 智能体动手做事时，有没有找到并选用你的工具、API 或 MCP 服务器。

两边的结果不一定一致。品牌可能经常出现在 AI 的回答里，智能体执行任务时却从来没有调用过它的 API；反过来也可能发生。

本站框架的使用范围

TSO 是 LS-Labs 用来拆解问题的操作性框架，不是任何 AI 平台公布的排名因子。搜索怎么排序、一次加载几个工具、用哪个模型，大多由平台与智能体的开发者决定；工具提供方能直接调整的，主要是工具的名称、描述与参数 Schema。

评估工具定义的改动时，应将候选召回、模型首选与执行结果分开记录；固定问题、候选与模型条件后比较，才能判断改动影响哪一个环节。

TSO 也不等于追求更高的选中率。工具做不到用户要的事，不被选中才是对的。在 Li 等人的实验中，只有一种参数 Schema 能满足用户的明确要求时，五个模型都选了兼容的工具，不受原本的位置偏好左右。

与 Synopsys TSO.ai 不同

Synopsys 的 TSO.ai 全称是 Test Space Optimization AI，是用于半导体测试的 AI 应用。它和本词条的 TSO 只是缩写相同，谈的是不同领域。