双轨评估：MCP 智能体的模型得分与产品得分

简而言之 ：双轨评测用同一批用例，分别跑「只给模型」和「走完整产品」两条路，分数各算各的。2026 年 8 月，同一个 Qwen3-4B 智能体在模型轨拿到 42/70（没过上线门槛），在产品轨拿到 46/70（过了）。全部提升都来自一条守卫规则——stall rule（既没调用工具、也没向用户提问的一轮，直接打回重来）。而我引以为傲的参数修复，实测收益为零。 我在做一个跑在本机的小智能体：Qwen3-4B（4-bit 量化，MLX 推理）驱动 Lovie Formation MCP 服务器（195 个工具），业务是美国公司注册。动手训练之前，我先写了一套评测。然后我花了两天时间优化一个数字—