OpenAI 和 Anthropic 都在告诉开发者：”我们的模型更强了。”但资深开发者 Armin Ronacher 最近的发现，让这个说法变得有点尴尬——新模型在某些工具调用场景下，比老模型更差。
一篇 146 分的技术文章
Ronacher 是 Flask 和 Pocoo 的作者，在 Hacker News 上发布了《Better Models: Worse Tools》，获得了 146 分。他的核心发现：
新版 Claude（Opus 4.8 和 Sonnet 5）在调用 Pi 编辑器的
edits[]嵌套数组工具时，会发明不存在的字段。比如requireUnique、oldText2、newText2、type、kind、in_file这样的键，schema 里根本没有，模型自己编出来的。
这个问题只在多轮 agentic 场景下出现，单轮简单提示词完全正常。而且老版 Claude 模型（Opus 4.5）根本没有这个问题。
为什么模型会”发明”工具参数？
Ronacher 挖得很深。他的分析指向了 Anthropic 的 RL 训练环境——Claude Code 本身。
Claude Code 的客户端代码是闭源的，但可以从 minified 代码里看到它做了什么：
- 参数别名容忍：既接受
old_str（旧版 schema），也接受old_string（新版 schema），还接受path作为file_path的别名 - 自动修复 Unicode：修复破损的
\uXXXX序列 - 静默过滤未知键：工具 call 里多了陌生的字段？直接忽略
- 不使用 strict 模式：因为 strict 模式对工具定义有复杂度限制，会导致 API 请求失败
换句话说，Claude Code 的 harness 极度宽容，即使模型生成了略微畸形的工具调用，整个任务仍然能完成，RL 仍然会给 reward。
Ronacher 的核心判断：
“If reinforcement learning happens in a harness like that, or a simulation of one, then slightly malformed tool calls can still complete the task and receive reward.”
这就形成了一个非常反直觉的现象：Claude Code 越成功，Anthropic 的模型就越被训练成适应 Claude Code 特定 schema 的形状。其他工具 harness 如果 schema 不同，就变成了”离分布”（off-distribution），模型反而更难正确调用。
真正值得注意的几组事实
1. Opus 4.8 和 Sonnet 5 都退化了，但原因不同
Ronacher 观察到，这两个模型都有相同的工具调用退化问题，但退化方式不同。Opus 4.8 的”先验”是：编辑工具可能有一个额外可选字段，但不知道叫什么名字，所以每次随机生成一个。Sonnet 5 可能机制不同，但结果是类似的——同一技术方向的两代模型，都有同样症状。
2. 开启 strict 模式可以修复，但 Anthropic 自己不用
严格模式下，Anthropic 服务端会拒绝采样 schema 不允许的键，退化完全消失。但 Claude Code 没有使用 strict 模式，原因是 strict 对工具定义的复杂度限制会导致 API 失败。换句话说：Claude Code 为了功能完整性，主动放弃了正确的工具调用。
3. Codex 模型没有这个问题
Ronacher 测试了所有可用的 Codex 模型，没有发现这种退化。OpenAI 的模型没有在 Claude Code 的环境里做 RL，所以没有学会”宽容 harness”的那些习惯。
这对整个 AI 工具生态意味着什么
Ronacher 提出了一个非常不舒服的问题：
“Tool schemas are somewhere in the distribution and some shapes are close to what the model saw during post-training and some are far away.”
过去我们假设：只要工具 schema 写清楚，模型是通用推理器，会老老实实按 schema 调用。但现在这个假设在动摇——模型不是在遵循 schema，而是在遵循它见过的最类似的训练样本。
如果 Anthropic 的 RL 继续在 Claude Code 上迭代，其他工具 harness 将面临越来越大的适配压力。Ronacher 的原话是：
“The more post-training happens inside one dominant harness, the more every other harness will have to inherit its quirks.”
这意味着 AI 编程工具的战场，不只是模型能力的战场，也是谁能主导 RL 训练环境的战场。Claude Code 现在不只是一个产品，它正在成为事实上的标准工具 schema 定义者——不是因为它公开了标准，而是因为它主导了最强模型的 RL 环境。
Cursor 和 Copilot 接下来怎么应对，会是一个很有趣的观察角度。
我的判断
Ronacher 这篇文章最大的价值，是把一个很多从业者隐约感觉到但没有系统验证的现象，说清楚了。
“模型越强工具越差”这个现象，本质上是 RL 在特定环境里的过拟合。它不是 Claude 模型的能力问题，而是 Anthropic 的 post-training 策略选择问题——选择了让模型适应 Claude Code 的宽容 harness，而不是追求更通用的工具调用能力。
对于使用第三方工具的开发者来说，这意味着：如果你用的工具 schema 和 Claude Code 差异较大，你需要更主动地使用 strict 模式，或者在 prompt 里做更强的约束。不要默认模型会遵守你的 schema——它更可能遵守它 RL 时见过的那个版本。
对于 AI 编程工具的竞争格局来说：这场战争的胜负，可能不取决于谁发布了更强的模型，而取决于谁能成为其他工具的”RL 环境标准”。Anthropic 正在用 Claude Code 做到这件事，而这件事的影响会比任何一个新模型发布都更深远。
本文相关平台：