代理不分页：LLM 工具响应的第一块选择

基于 大语言模型 (LLM) 构建的 编码智能体，例如 Claude Code、Cursor、OpenAI Codex、GitHub Copilot 和 Aider，接收的工具响应通常超过代理的每轮 词元预算。标准补救措施，即分页，在生成这些响应的每个协议中都可用；然而，在来自公共模型上下文协议中间件的会话日志语料库中，我们没有观察到代理发起的对第二个块的请求。第一个块是智能体读取的内容，因此我们询问目标条目（智能体需要的物品）被放置在第一位的频率：1 精度率 $p_1$。在受控离线基准测试中，我们将第一个块选择视为 0/1 背包，并比较 500 个 SWE 基准验证任务上的六个值函数，然后使用五种语言模型上的单轮文件本地化探针测试 $p_1$ 是否重要（4,800 个 LLM 调用；不是端到端解析率测试）。两个预先登记的假设不成立，但却是我们的主要发现。核心的一个是负面的：提高 $p_1$ 并不能系统地提高下游准确性。每个模型的增量保持在三个百分点 (p.p.) 以下，符号不一致，并且没有模型显着；代理从块中的任何位置恢复金币，因此达到其答案的是第一个块的包含，而不是金币在其中的排名。第二：向关键字评分器添加四个文件元数据信号会使 $p_1$ 损失 4.8 个百分点。 （配对显着性检验，$p = 0.001$）。无参数关键字评分器确实将 $p_1$ 从 24.2% 基线提高到 35.0%（+10.8 p.p.，远远超出了偶然性；$p = 3.9 \times 10^{-8}$），并在没有关键字匹配时回退到工具的本机排序，提高到 35.8%。但根据我们的中心发现，这是 1 级增益，而 1 级是未达到代理答案的部分：下游精度不变。