MCP中的大语言模型行为举足轻重：度量由大语言模型造成的低效资源利用

模型上下文协议（MCP）标准化了服务器向大语言模型（LLM）暴露数据与工具的方式。一种常见的服务器设计将常用参考数据（如标识符查找表）直接嵌入服务器指令中，即服务器交给宿主应用的系统提示词文本。当查询涉及嵌入表中的条目时，模型可立即据此行动，而无需通过搜索工具重新发现相同信息。我们检验客户端大语言模型是否真的消费这类嵌入指令的数据，报告了在生产法律信息MCP服务器上针对24个大语言模型（9个Claude、6个Gemini、9个GPT）的54000次试验研究。一个移除竞争性搜索工具的诊断条件表明，失败主要由行为偏好而非能力缺失导致。搜索不可用时，24个模型中有23个能可靠读取嵌入数据（命中率至少98%）；而搜索工具仅仅存在时，9个模型跌至15%以下。对三种指令级干预的2^3因子分析揭示强交互效应：三者组合可为24个模型中的20个恢复至少86%，但单独干预对特定模型家族可能适得其反。因此逐服务器的提示词工程只是权宜之计而非根治；我们主张MCP宿主应用应提供明确机制，使服务器指令在客户端大语言模型的决策中被置于工具选择之前。