一句话：工具检索过去几年都在优化"静态考卷上的相关性"，RATED 把考官请进了一间地板会动的考场——30% 故障率下，老检索器 86.2% 的概率选中坏工具，它只有 2.9%。
核过的硬料（arXiv 2610.13889，cs.AI，2026-10-09，Weiliang Chen 与 Song Liao，Texas Tech University，CIKM 2026，标题 RATED: Reliability-Aware AI Agent Tool Retrieval via Execution Dynamics）：
- 基准 EcoAgent：聚合 LangChain、CrewAI、LlamaIndex、n8n 四个平台的 5,172 个真实工具、超过 210,000 个查询-工具配对，训练用合成一半，评估用真实查询一半；合成数据本身是 Gemma-3-1b 造的，可靠性评分全自动，不靠人工逐个打分。它相对既有工具数据集补的两块正是：每个工具带可靠性元数据，外加一整套故障注入评测协议。
- 可靠性评分自动化：名称-描述一致性、来源可信度、文档质量三个信号加权，0.8 以上算可靠——2,940 个工具达标，只有 56.8%，超过四成不及格，这不是注入的脏数据，是真实生态的体检报告。
- 架构两层加一层融合：冻结的 DRAGON 双编码器管语义匹配（对比学习微调后冻结，新工具只需编码一次），轻量上下文赌博机管可靠性重排（执行失败就下调估值，不碰任何预训练权重），最后混合融合把两路分数合成最终排名。
- 离线成绩要分开说：真实查询上 MRR 0.618 对 ToolLLM API 检索器的 0.406，相对提升 52.2%；但论文大方承认，静态排序上仍输给 OpenAI Ada-002 的 0.670、BGE-Reranker 的 0.642 和 SPLADE-v3 的 0.626——在自家合成域上 RATED 才以 0.845 通杀。编码器只在合成域上训练，真实域是零样本泛化。
- 故障注入实验：连续 10,000 步顺序工具选择，前 2,000 步健康，之后随机注入故障，看后 3,000 步的故障选择率——30% 故障率下 86.2% 对 2.9%，20% 故障率下 79.6% 对 2.5%；综合故障选择率与恢复目标两项，RATED 在两种故障率下都是最优，30% 故障下恢复目标步数直接是 0。顺序选择这个设定也很讲究：工具是一个个挨着调的，前一步的失败会改变后一步的候选，动态效应因此藏不住。
- 超参是在验证集上定的：折扣因子 0.95、探索系数 0.1，敏感性分析做在 20% 故障注入下，语义权重与静态先验权重的网格都扫过。
- 代价：单加静态可靠性先验只多 0.025 毫秒，全局赌博机多 0.108 毫秒，RATED 完整版每次多 0.172 毫秒（总 latency 3.395 毫秒均值、4.391 毫秒 P95），比 ToolRL 式批量 GRPO 更新的 17.839 毫秒低一个数量级，全程不重训；摘要里把这笔账总结成"相对纯编码推理增加不到 1 毫秒"。
- 论文表里有个细节帖子没提：没有在线反馈的静态排序器，在后故障窗口的恢复目标上直接标 Failed——不是差一点，是达不到。
- 也别把"最优"读满：30% 故障下 Retry(k=3) 的故障后成功率 82.9 略高于 RATED 的 82.1，Health Check Blacklist 的故障选择率 1.9 略低于 2.9——RATED 赢在两项同时成立，单看任何一项都有对手贴得很近。
- RATED 的估值是连续量，故障修复之后成功的反馈会把估值抬回来，工具可以"改过自新"；一次失败终身拉黑的黑名单策略在故障率低时误伤偶发抖动的健康工具。
- 局限论文自己列了三条：故障注入是模拟不是真实生态（真实故障有传染性）、冷启动路径没验证、还没在完整 Agent 运行时里跑过端到端。
- 代码与数据在 github.com/Elliotes/EcoAgent。
一句收尾：可靠性不是工具的属性，是工具在某个时间窗口的状态——承认地板会动，并且给系统装上感知震动的器官，有时候答案不是更聪明，而是更清醒。