让编程AI替你接入邮件、存储或监控服务，它会选哪一家？这不只是模型的“个人口味”：工具名称、参数和返回结果是否容易被机器理解，也会影响它能否把任务做完。Armature 因此没有比较答题分数，而是观察 Claude、Codex 和 Cursor 在真实代码仓库里主动选择什么工具。
团队构造了75个代码仓库，覆盖10种语言，并设计1163种任务变体，再用不同身份的提问方式模拟真实需求。最值得注意的是，实验加入了一个由 Gemini 3.7 Flash 扮演的“模拟人类”：Agent先分析并推荐方案，再获得确认后实施。作者发现，这一步会减少头部厂商和云平台自带方案的优势。例如在对象存储任务中，允许来回确认后，Cloudflare R2开始赢下一些原本总由 Amazon S3胜出的会话。换句话说，Agent选什么，不只取决于工具本身，也取决于它有没有机会先问清楚。
实验共运行16893次，但目前只公布了其中5292个有效会话，覆盖51个代码库和18个领域；其余结果尚未披露。因此，这批数据更适合帮助开发者检查“工具怎样写才方便Agent发现和调用”，还不能当作完整的产品排行榜。