你让 AI 按表格填写地址。街道、城市都写对了，它却自作主张加了一栏“附近地标”。如果系统规定只能填写固定栏目，这张表仍会被退回。
开发者 Armin 在智能体式编程工具 Pi 上遇到的，正是类似问题。据 Simon Willison 转述，较新的 Claude 模型 Opus 4.8 和 Sonnet 5 有时会在调用 Pi 的 edit 工具时，向嵌套的 edits[] 数组添加接口没有定义的字段。编辑内容通常正确，但调用仍被 Pi 拒绝，模型只能重试。
这只是一个特定接口上的个案，却点出了智能体系统的一处关键脱节：模型更强，不等于它更可靠地遵守工具规则。本文事实均来自 Willison 对 Armin 经历的二手转述，没有原始记录或复现实验。
AI 不是直接在改代码
这里先要解释“工具调用”（Tool Calling）。模型并不直接操作电脑。它会按约定格式输出工具名称和参数，再由外部程序执行搜索、编辑文件等动作。
这套约定叫 Schema——接口参数的结构契约。它规定哪些字段可以出现、字段是什么类型，以及它们如何嵌套。可以把 Schema 理解为机器使用的固定表格：内容理解得再准确，填错栏目也不能提交。
Pi 是一款用于智能体式编程的工具。模型可以通过它提供的编辑接口操作代码库。按照 Willison 的转述，Opus 4.8 和 Sonnet 5 生成的编辑意图通常没有问题，问题出在参数里多了凭空创造的键。Pi 严格检查 Schema，因此拒绝执行并要求重试。
这属于“结构化输出幻觉”：模型生成了看似合理、接口却从未定义的字段。它和编造事实有些相似，只是错误发生在 JSON 等结构化参数中。对聊天来说，多写一句可能无伤大雅；对程序接口来说，多一个字段就可能让整次操作失败。
“更差”到底差在哪里？
Armin 测试的旧款 Claude 模型没有出现这一现象，Opus 4.8 和 Sonnet 5 却会出现。因此，“新模型更差”在这里有一个很窄的含义：它们在 Pi 这一特定 edit Schema 上的合规表现更差。
这不代表新模型的编辑能力下降。材料反而明确说，编辑内容通常正确。失败发生在最后一公里：模型知道要改什么，却没有完全按第三方工具要求的格式表达出来。
也不能据此判断 Claude 的整体工具调用能力变差。材料没有给出样本量、失败率、旧模型名单或完整 Schema，更没有覆盖其他工具。标题里的反差很醒目，但证据只支持一个具体案例。
会不会是“学得太专”了？
Armin 提出一种解释：较新的 Anthropic 模型可能接受过针对 Claude Code 内置编辑工具的专项训练，或许包括强化学习——通过结果反馈，让模型逐渐偏向更有效的行为。
问题在于，不同编程工具的编辑接口并不相同。Claude 的编辑工具采用 search-and-replace，也就是指定要查找的内容，再提供替换内容；OpenAI Codex 使用 apply_patch 机制，以补丁形式描述修改。如果模型对某套接口形成了很强的使用习惯，这种习惯可能串到 Pi 等第三方工具上，导致它输出对另一套接口看似合理、实际不存在的字段。
这个解释目前只是推测，并非已证实的因果关系。现有材料没有展示模型添加了哪些字段，也没有证明这些字段来自 Claude Code 的接口设计。
真正值得关注的是工程边界
智能体能力要落地，至少有两层要求：模型要理解任务，也要遵守执行器的接口契约。前一层进步，并不会自动带动后一层。模型越主动、越倾向补全自己认为有用的信息，反而越可能撞上严格 Schema。
对工具开发者来说，这带来一个现实问题：是否需要为不同模型提供不同的编辑工具，或者增加兼容层，把多余字段转换成合法参数？Willison 提出了这个问题，但材料没有给出答案。
严格校验仍有必要。执行器拒绝未定义参数，正是在阻止模型把“自认为合理”直接变成真实操作。重试会增加成本和延迟，却也守住了模型建议与系统执行之间的边界。
局限与未知
- 现有信息只有一则二手转述，没有 Armin 原文、复现实验、样本量或失败率，无法判断问题多常见。
- “专项训练造成接口串扰”只是推测；材料没有提供训练细节或对照证据。
- 个案只涉及 Pi 的特定 edit Schema，不能外推为新模型整体工具调用能力下降。