论文链接：Is Bash All You Need? An Empirical Study of Tool Interfaces for Enterprise Digital Worker Agents 发表时间：2026年9月 机构：Microsoft Corporation（企业研究一体） 领域标签：cs.SE / cs.AI — Agent 工具接口工程
一、论文背景
企业数字员工 agent：不只写代码——跨应用搬运数据、协调同事、专业分析。这类 agent 的"手"是工具接口，当前两大主流：typed tools（类型化工具目录，OpenAI/Anthropic API 主推，动作空间预定义、参数 schema 化）与 bash（通用 shell，Claude Code/Codex CLI 路线）。
行业分歧：API 厂商推 typed catalog（可控、可审计）；coding agent 实践派用 bash（灵活、组合自由）。双方各有理念但都缺企业任务上的受控证据。
程序化工具调用（PTC）：折中路线——agent 写程序，但程序的动作被限制在 typed catalog 内（Anthropic/OpenAI 均支持）。
二、论文定位和关联工作
| 谱系 | 工作 | 关键区别 |
|---|---|---|
| 工具调用 API | OpenAI/Anthropic function calling | 厂商规范文档；本文是任务级受控对比 |
| Coding agent | Claude Code、Codex CLI | bash 路线的实践源头；本文量化其企业泛化性 |
| 工具合成 | persistent tool synthesis | 让 agent 持久化自造工具；本文作为配置之一检验 |
| 基准 | TheAgentCompany、APEX-Agents | 企业长程任务 benchmark，本文的评测底座 |
本文定位：首个在多企业 benchmark × 多前沿模型上系统性对比五类工具接口配置的受控研究。
三、问题定义
具体场景：企业要部署数字员工 agent，选哪种工具接口。
抽象问题：在任务分布横跨数据搬运/协作/分析的长尾空间下，预定义动作空间（typed）与通用组合空间（shell）哪个让 LLM agent 的任务完成率与成本更优？
形式化：接口 I 定义 agent 的可用动作空间 A_I 与组合文法 G_I；比较 E[success(task; M, I)] 与 E[cost(task; M, I)] 在任务分布 D_enterprise 上的表现。
精妙之处：把"接口"当作与模型正交的实验变量（同模型、同任务、只换接口），接口效应得以干净分离——这是 harness 效应研究中接口维度的一次聚焦。
四、问题解法
五种配置：
- Typed tools only：纯类型化目录调用；
- Typed + bash：两者并存；
- Bash only：纯 shell（文件/进程/网络全靠命令行）；
- Bash + persistent agent-synthesized tools：bash 之上允许 agent 把常用操作持久化为自造工具复用；
- PTC：agent 写程序、程序动作受限于 typed catalog。
受控设计：2 个企业 benchmark（TheAgentCompany 175 任务模拟公司环境；APEX-Agents 452 任务 31 世界）× 2 前沿模型（Claude Opus-4.8、GPT-5.5），固定任务与评分器，只变接口。
五、评估指标与实验证据
| 对比 | 指标 | 结果 |
|---|---|---|
| Bash only vs Typed only | 任务得分 | TheAgentCompany +21.8 |
| Bash only vs Typed only | token 消耗 | bash 少 19–72% |
| Bash+typed vs Bash only | 得分 | 无可检出的合并增益 |
| Bash+synthesis vs Bash only | 得分 | 无可检出的增益 |
| PTC vs Bash only | 质量与成本 | PTC 均逊（token 比 typed 少但质量不及 bash） |
为什么这套设计能证明论点：双 benchmark × 双模型的 2×2 交叉使"bash 优势是特定任务集或特定模型偏好"的替代解释难以成立；加法实验（bash+typed、bash+synthesis）排除了"互补性"假说——如果 typed tools 提供独特能力，叠加应有增益，实际没有。
六、效果优势的根源解释
为何 bash 全面胜出？
因果链：企业任务的本质是长尾组合（数据搬运×格式转换×人际协调×专业分析的自由组合）（任务性质）→ typed catalog 只能预定义有限动作，长尾任务必然落入"目录无对应动作"或"多动作拼装"的缝隙（方法差异：动作空间覆盖度）→ agent 被迫低效拼装或直接失败（机制变化）；bash 提供文件/进程/管道的通用组合文法，任意长尾任务都可分解为命令组合（方法差异：组合完备性）→ 覆盖优势 + 表达密度高（一条命令=多个 typed 调用）（机制变化）→ 得分升且 token 降。PTC 的折中设计继承了 typed catalog 的动作受限（程序动作仍限于目录），只获得部分 token 效率——两头不占。
外部交叉验证：Claude Code/Codex CLI 的工程实践是 bash 路线有效的产业证据；同日 Harness or Model?（2609.11987）显示 harness 工具协议差异可造成 ±24pp 效应，佐证接口是一阶变量；本系列前轮精读的 Terminal-Universe（09-05）证明终端环境是有效的 agent 通用接口。反方证据：typed tools 在可审计性/权限收敛上有合规优势（本文未测），且弱模型在自由 shell 下更易出错（本文双前沿模型，外推到小模型需谨慎）——这是本次检索范围内识别的主要适用边界。
七、必要知识反推
- 领域知识层：企业工作流的任务形态（跨应用、协作、分析）；shell 的组合原语（管道/重定向/进程管理）。
- 方法论知识层：受控因子实验设计（接口作为因子）；benchmark 任务分布对企业场景的代表性判断。
- 工程知识层：五种接口的实际部署形态（API 配置、PTC 沙箱、工具合成机制）；token 计量口径。
- 融合关键节点：“任务长尾性 → 组合文法完备性"的映射——把企业需求的定性特征翻译为接口设计的定量判据。
八、通用性灵感
- 通用组合接口胜过预定义动作空间（当任务长尾时）。论文证据：+21.8~24.5pp 且省 token。推广：RPA 平台（命令行 API vs 画布节点库）、智能家居自动化（脚本 vs 厂商预设场景）。
- 叠加"安全感的组件"未必叠加能力。论文证据：bash+typed、bash+合成工具均无增益。推广：技术栈评估中"多加一层抽象"常是零或负贡献，应以任务级实验验证。
- 表达密度是被低估的成本维度。论文证据：bash 省 19-72% token（一条命令打包多步语义）。推广：API 设计（批量端点）、编程语言选择（声明式 vs 命令式）。
- 受控实验要包含"加法臂”。论文证据：加 typed/加合成的两个臂排除了互补假说。推广：任何 A vs B 之争都应加"A+B"臂检验互补性——多数场景答案是"A+B≈A"。