2026 年智能体领域的最大错觉是"工具调用已经解决了"。把一份工具列表塞给模型，让它返回一段 JSON，绝大多数前沿模型都能在 BFCL-V4 这类原子级榜单上拿到 0.70 以上的分数——看起来无所不能。但一旦把测试加深一层，分数就开始阶梯式坍塌：进入 τ-bench 的多轮有状态对话，头部分数立刻掉到 0.60-0.69；再用 pass⁸ 一致性指标一压，GPT-4o 在零售域直接跌破 0.25；最后让模型面对对抗式的 ToolBeHonest，GPT-4o 只剩 37 分、Gemini-1.5-Pro 45 分。本文以"测试深度"为横轴，横切 BFCL-V4、τ-bench、ToolBeHonest 三大权威基准，给出一条可复现的坍塌曲线，并拆解为什么"调对一个函数"和"上线一个工具智能体"之间，隔着一整条断崖。
| 维度 | BFCL-V4（原子层） | τ-bench（有状态层） | ToolBeHonest（对抗层） | |------|----