Armature 研究：编程智能体如何选择工具，品牌旧印象或成障碍

开发者工具的增长服务公司Armature公开了一项实验性分析，试图回答一个此前少有人系统测量的问题：编程Agent如何看待、发现并选择工具，以及每个类别中最终哪个工具胜出。研究观察了17,000次工具选择会话，但对外展示的核心数据来自规模较小、经过验证的5,292次会话子集。

这项研究的背景是AI推动的关注点从搜索引擎优化（SEO）转向答案引擎优化（AEO），即优化内容使其能作为Agent生成的答案呈现。Armature联合创始人Theodore Otzenberger的判断是，现在真正决定哪个工具会被接入代码库的是Agent，这对开发者工具厂商有“生死攸关的影响”——做不到被Agent提及和选择，工具未来很可能被直接排除在技术栈之外。需要指出的是，Armature本身是一家开发者工具增长服务公司，在这场游戏中有着非常直接的利益关系，且成立于2026年，这类分析目前还只是它早期的研究尝试。

研究覆盖75个彼此独立的代码仓库，设计了1,163种不同的prompt，并测试了Claude Code、Codex和Cursor三个编程Agent。重点不只是看它们推荐哪些工具，而是观察它们在真实代码库中最终选择并接入什么工具。

分析基于公开GitHub仓库展开，团队记录了项目的编程语言、框架、第三方服务、部署平台、团队规模和代码库年龄，并参考公开数据调整样本以更接近设定的目标结构。为减少偏差，团队使用了虚构的公司名称、人造的Git提交历史和伪造的API Key，还加入了一个由Gemini 3.7 Flash通过orchestrator扮演的模拟人类环节。

这个模拟人类环节并非装饰。Armature解释，模拟人类通常会接受排名第一的方案，或让编程Agent自己挑选最合适的方案并完成实现；但如果一开始就要求Agent不提问、直接动手，它往往倾向于把所有功能都自己做出来，因为没有机会询问是否可采用第三方方案。加入“人类”环节后，头部工具和云平台原生方案原本过强的优势被削弱，结果更接近真实情况。

样本结构本身存在约束：公开开源项目更偏向初创公司，企业软件项目往往不会直接出现在GitHub上，团队只能参考公开数据调整样本。因此研究结论能否推广到企业软件项目尚不确定。

Armature发现代码仓库上下文至关重要。在要求选择最优邮件/通信服务提供商时，四个用不同语言编写的代码库最终选出了四个不同赢家：Resend在TypeScript代码中胜出（89次运行中胜出55次），SendGrid在Python中胜出（24次中22次），Postmark在Go中胜出（24次中20次），Azure ACS在Java中胜出（23次中22次）。

这组数字的含义是，工具选型并非在一个统一的“最佳工具”排行榜上完成，而是被代码库的语言与既有技术栈深度塑造。同一类需求，换一种语言，赢家就换一个。

不同Agent的信息来源差异进一步放大了这种分化。Cursor在三分之二的会话中基于Web信息决策；Codex几乎总是使用Web搜索（占会话的94%），且十次查询中有九次使用site等搜索运算符；Claude Code主要依赖自身已有知识，只有约30%的情况下搜索Web，但一旦开始浏览网页，访问的页面数量会是Codex的3倍。

结果是，三个Agent只有在42%的测试单元里会选同一个工具；而Claude Code选择“自己造”的比例几乎是Codex和Cursor的两倍（19%对10%）。这意味着“Agent会选什么”没有单一答案，取决于哪个Agent、什么代码库、以及它是否愿意上网查。

Glokal AI OÜ创始人兼CTO Jeet Pattanaik指出，被提到和最终胜出不是一回事：PayPal被提到139次却一次都没被选中；LangChain是被提及最多的框架、共出现194次，但最终只被选择了4次。这中间的差距，正是这类增长服务生意存在的原因。

Pattanaik的判断是，真正影响Agent做决定的往往是一些看起来微不足道的细节，因此厂商接下来要优化的除了仓库上下文本身，还有工具的配套文档和定价页面——这些内容今后面对的读者可能越来越多是Agent而不是人。它不会略读，不因Logo好看而更有好感，甚至连数据保留期限这种脚注都会按字面认真理解。

需要区分的是，上述关于提及与选择差距的观察来自Pattanaik这一第三方评论者，属于来源说法而非Armature研究本身的确认结论；被提到与最终被选中之间的差距是否稳定适用于其他工具类别，来源也未给出证据。厂商针对Agent优化文档和定价页面能否实际改变Agent选择，同样尚无验证。

Otzenberger给出了一个更尖锐的比喻：在17,000次工具选择会话中，工具厂商二十年的品牌建设仿佛被冻结在时间里，品牌声誉会跟着进入模型权重，并绑定在让厂商成名的那个产品上。

他举的例子是容器：一旦提到容器，Agent马上就会想到Docker，但它对Docker现在提供的沙箱功能一无所知，所以最后实际上反而不会选择这个工具。换言之，模型记住的是厂商成名的那个旧形象，而不是它今天的能力清单。

这一判断来自Armature联合创始人的表述，属于来源说法。它指向一个结构性风险：品牌认知越强、越固化，Agent对产品现状的认知偏差可能越大，而厂商很难通过传统营销直接修正模型权重中的印象。

这项研究公开了整项研究包括所有trace和prompt供任何人核查，Otzenberger称团队很快会在Astra和Fable 5.1上重新跑一遍完整研究。他强调，每出现一个新的Agent或模型，工具选择的结果都可能重新洗牌，理解这些Agent如何做选择已经成了一个需要用工程方法解决的问题。

但边界同样清晰：对外展示的核心数据来自5,292次会话子集而非完整的17,000次会话；样本偏向公开开源项目，企业软件场景的适用性未知；外部是否已独立验证其结论，来源未说明；在Astra和Fable 5.1上重跑后的结果是否会改变现有结论，目前未知；模拟人类环节对结果的具体影响幅度，来源仅给出定性描述。

因此更稳妥的读法是：这项研究提供了一套可核查的方法与一组具体观察，证明Agent选型存在显著的语言依赖、Agent间分歧和“提及—选择”落差；但它尚不足以断言某个工具类别已经形成稳定的新秩序。真正的变量是模型与Agent的迭代速度——每一次换代，都可能让今天的赢家重新排队。