对69个AI生成的MCP服务器的分析显示，在投入生产约六个月后，其声明的清单与实际行为之间存在73个偏差实例。其中大部分偏差（三分之二）与网络活动有关，通常源于依赖项拉入了未声明的网络功能，而不是AI的显式添加。值得注意的是，审计工具本身是造成偏差的最大原因，占了46个偏差，这凸显了一个问题：人类在六个月的审查中未能检测到这些问题。 AI
影响 凸显了在AI生成的代码中保持清单准确性的挑战，尤其是在未声明的网络依赖方面。
排序理由 对AI生成的代码与清单的偏差进行了分析，并非主要发布或研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
<h2> Picking up from the last post </h2> <p>In the <a href="https://dev.to/aos_standard/i-had-an-ai-agent-buy-an-external-api-call-for-0001-usdc-350l">prior post</a>, I had an AI agent buy an external paid MCP tool for 0.001 USDC. Payment itself worked. What did not work yet was …