TSO 是什麼？

四個環節分開看，才知道卡在哪

工具沒被代理人用上，可能是根本沒進候選清單，模型看不到它；也可能進了清單，模型卻選了別的工具。為了應付大量工具，Anthropic、OpenAI 與 Microsoft Foundry 都提供工具搜尋功能，先搜尋，再把需要的工具定義載入模型的上下文。

假設一家餐廳的訂位 API 已接進某個 AI 代理人，使用者說要訂位，它卻沒被呼叫。若它不在搜尋回傳的候選工具裡，問題出在候選曝光；若在清單上卻輸給另一個訂位工具，要看模型選擇；若被選中但日期參數填錯，就是呼叫與執行出了狀況。這是說明用的假設情境，不是 LS-Labs 的觀測。

候選曝光和模型選擇讀到的資訊，也不完全相同。Microsoft Foundry 允許替每個工具設定只供搜尋使用的文字，這段文字會被索引，模型在 MCP 回應中卻看不到。因此提高被找到的機會，不一定會改變模型最後選誰。

TSO 和 MCAC、GEO 的分工

GEO 與 MCAC 看的是 AI 怎麼回答：GEO 研究與調整內容在生成式 AI 回答中的可見度；MCAC 分別檢查品牌提及、引用來源、資訊正確性與行動入口。TSO 看的是 AI 代理人動手做事時，有沒有找到並選用你的工具、API 或 MCP 伺服器。

兩邊的結果不一定一致。品牌可能常出現在 AI 的回答裡，代理人執行任務時卻從沒呼叫它的 API；反過來也可能發生。

本站框架的使用範圍

TSO 是 LS-Labs 用來拆解問題的操作性框架，不是任何 AI 平台公布的排名因子。搜尋怎麼排序、一次載入幾個工具、用哪個模型，多半由平台與代理人的開發者決定；工具提供者能直接調整的，主要是工具的名稱、描述與參數 Schema。

評估工具定義的改動時，應將候選召回、模型首選與執行結果分開記錄；固定題目、候選與模型條件後比較，才能判斷改動影響哪一個環節。

TSO 也不等於追求更高的選中率。工具做不到使用者要的事，不被選才是對的。Li 等人的實驗中，只有一種參數 Schema 能滿足使用者的明確要求時，五個模型都選了相容的工具，不受原本的位置偏好左右。

與 Synopsys TSO.ai 不同

Synopsys 的 TSO.ai 全名是 Test Space Optimization AI，是半導體測試用的 AI 應用。它和本詞條的 TSO 只是縮寫相同，談的是不同領域。