1000个工具喂给OpenClaw,效果反而更差?

“我把1000多个tool和200多个skill全塞给AI，结果它反而变笨了。”

你可能也有类似的想法：既然AI这么强大，那当然要给它最全的装备。搜索工具多装几个，翻译工具来一打，文件处理、数据分析、能想到的都配上。

但现实会给你一记响亮的反常识。

01 越多≠越强

先看数据。

这位网友的1M上下文窗口，愣是被工具描述占用了21万token。你以为这是小事？评论区一位从业者直接点破：

“1M上下文真正可用的可能就50%多，再多大模型会产生幻觉。也就是除去工具以外，你实际可用的上下文只剩30%了。”

有图有真相，有人贴出了大模型上下文长度与性能下降的关系曲线——断崖式下滑。

还有更扎心的：

“别说是1M了，上下文超过20K就能感到性能明显下降。”

这就像让你同时管理100个人，你以为是“人越多力量越大”，实际上是“谁也管不过来”。

02 核心问题：注意力稀释

为什么工具越多，AI越笨？

一位开发者的比喻特别到位：

“让你写个命题作文，然后从康熙词典到故事会都给你来参考，还是只给你一本和命题相关的书，哪个更容易？”

前者，光挑选参考文献就已经懵了。

这就是大模型的“注意力稀释”问题。LLM的注意力机制就像人的专注力——当信息过载时，它不知道该重点处理什么。工具描述占满上下文，真正需要AI干活的空间反而没了。

有经验的开发者总结：

“1000个tool塞进去，上下文直接废掉大半。模型光是理解’我有哪些工具可以用’就烧掉一堆token，真正留给干活的空间反而少了。”

03 正确的打开方式

那到底该怎么玩？

1. 够用就行，20个是天花板

多位开发者给出的一致建议是：20个skill顶天了，而且是明确要用的时候才加载。

“你也不想你的模型注意力被分散吧？”

2. 按需加载，动态调配

平时只挂十几个核心技能，需要特定能力时再动态拉进来。这就像瑞士军刀——刀刃不少，但每次只弹出用得着的那一个。

3. 从实战中沉淀

好的skill不是从外面搜罗的，是从自己项目里长出来的。每完成一个任务，如果发现这个方法以后还会用到——再把它沉淀为skill。

4. 分场景、分agent

不同业务场景用不同的agent。前面放一个LLM做“调度员”，判断问题该交给哪个agent处理。各管一摊，效率最高。

04 一个反直觉的真相

有意思的是，评论区还提到了另一个趋势：

“我之前也搞了很多skill，后来发现CDP（Chrome DevTools Protocol）弄好，就没skill啥事了。只要一个agent-browser就可以。有了Chrome，就有了整个世界。”

什么意思？

工具的数量不重要，关键是工具的“通用性”。

一个强大的浏览器自动化工具，能顶得上几十个专用工具。因为它可以做“任何”事情，而不是只能做“某一类”事情。

这才是真正的效率杠杆。

写在最后

回到那位网友的困惑：“为什么塞了1000多个tool，AI反而没变强？”

答案很简单：不是你给的不够多，而是AI根本用不过来。

这让我想起一句话——

“少即是多。”

不是AI不够强，而是我们太贪心。

你觉得AI工具是越多越好，还是够用就行？