评估 WeClaw 的自适应工具暴露：一个已部署桌面 LLM 智能体的实证研究

基于真实生产日志（17,226 次工具调用）对桌面 LLM 智能体的工具暴露策略做配对实验：全量暴露、静态裁剪与动态暴露（PTE-FD）。发现在静态基准上领先的动态暴露在真实执行下排名反转——带错误文本重试的全量暴露在四个后端中的三个取得显著更高的最终成功率，而 PTE-FD 以 4–8 个百分点为代价节省 63–66% 的工具 schema token。