arXiv · cs.AI· Antonio Ken Iannillo·· 3 天前精选AI 评分64
MCP-Injector 论文：真实 MCP 故障下 LLM 智能体任务完成分下降 60%，120B 模型规模并未带来容错
Tool-Calling LLM Agents Under Realistic MCP Faults: Scale Does Not Purchase Fault Tolerance
来源与原文
arXiv · cs.AI
作者：Antonio Ken Iannillo
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.32555v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
论文提出 MCP-Injector，一个可插入的协议感知故障注入中间件，其故障模型基于对 1,774 个开源 MCP 仓库中 57,240 条 issue 与 PR 的挖掘。在跨两个 gpt-oss 骨干（20B、120B）和三种 Agent 框架的 1,350 组实验中，故障导致任务完成分从 8.08 降到 3.23（满分 10），且 120B 在故障下保留的无故障得分比例与 20B 无显著差异（p = 0.96），故障下完成率甚至更低（91.1% vs 95.6%）。作者认为框架级错误处理比模型规模更重要，建议将协议感知故障注入作为能力基准之外的补充评测维度。论文已被 NeurIPS 2026 接收为 poster。
推荐理由
论文提出对 MCP 工具调用路径做故障注入的评测方法，并给出模型规模与容错关系的实测数据。
来源：arXiv · cs.AI · arxiv.org