Aniruddha 实测：代理工具调用与搜索任务体验

一句话结论

Aniruddha 称 Ox Alpha 的代理工具调用和基于搜索的功能很多，并表示其截至当时测试都很好；由于没有任务、轨迹和完成标准，这是一条待复测的工具使用体验。

测试环境

• 入口：回复 OpenCode 的 Ox Alpha 使用量帖子，具体客户端配置未公开。

• 任务：作者未公开具体任务集，只提到大量代理工具调用和搜索能力。

• 结果：作者称“到目前为止我测试的所有这些都很好”。

• 未公开：工具列表、搜索来源、调用次数、错误、耗时、模型版本和对照模型。

结论

可把这条体验转成“工具选择与搜索证据链”的专项测评，但不能把“工具调用多”写成工具调用正确率，也不能把“都很好”当作 benchmark 分数。

复现步骤

1. 固定工具 schema、搜索引擎、权限和模型版本，准备 20 个需要检索后执行的任务。

2. 要求每次输出查询、引用、工具参数、失败恢复和最终结果。

3. 用人工标注或测试套件判断引用相关性、工具参数正确率、完成率和返工时间。

4. 与一个固定基线在相同工具权限下运行，分开报告模型错误与工具/网络错误。