近日，技术社区Linux.do上出现了一起关于大模型工具调用能力的实测讨论。一位开发者在尝试使用AI辅助配置软路由SSH的任务中发现，不同模型的执行能力存在显著差异。该开发者使用的DeepSeek V4 Flash模型表现出了较强的任务理解与工具匹配能力，能够自主意识到需要使用SSH工具并成功连接获取数据。相比之下，Grok 4.6模型在该场景下则显得较为被动，未能主动发起工具调用，即使收到开发者的明确提示，仍然表示无法调用工具。这一现象引发了社区对于AI模型“智能体”化进程的关注，开发者不仅对模型间的性能落差感到疑惑，更探讨了如何有效验证或检索一个模型是否具备特定工具使用权限与能力的方法。该案例通过实际场景揭示了当前大模型在从“对话”向“执行”转型过程中的技术分化。
事件分析
此次DeepSeek与Grok在SSH配置任务中的表现差异，本质上是不同大模型在“函数调用”与“意图识别”层面对比的结果。DeepSeek展现出的主动调用工具的能力，说明其微调数据可能包含大量工程运维场景，或其推理架构更倾向于解决具体执行任务，这契合了当前AI Agent（智能体）技术的发展方向。Grok的保守表现可能源于模型安全策略的限制，或其训练重点更偏向于通用文本交互而非系统级操作。从产业视角来看，能否稳定、准确地使用开发者工具，已成为衡量大模型落地生产环境的关键指标。实战测试证明了仅靠通用的语言能力测试已无法全面评估模型在自动化开发、运维辅助等垂直领域的真实生产力，具体的工具调用生态将成为未来模型竞争的核心壁垒。
核心观点：工具调用能力正成为大模型分水岭，实战表现往往比通用跑分更能衡量AI在自动化运维领域的真实生产力。
原文链接：Linux.do
