9 月 3 日，Cohere Labs 发布 Agentic Task Ecosystem（ATE），把七个公开目录里的 123,069 个 MCP server、696,291 项工具整理为可下载数据，并尝试回答一个比“模型能做什么”更靠近开发现场的问题：开发者已经把哪些工作封装成了 Agent 可以调用的工具。
最醒目的结果是 2.6%。但 ATE 没有让 Agent 逐个调用近 70 万项工具，也没有检查任务是否在真实环境中完成。它比较的是工具名称和描述与 O*NET 职业任务文本，并用模型把最近邻匹配分为 good、partial、bad。2.6% 是其中 good 标签的占比，适合用来观察公开工具供给的结构，不能直接换算成 Agent 的任务成功率、企业采用率或劳动生产率。
2.6% 来自两轮文本判断，不是 69.6 万次执行测试
ATE 的目录快照采集于 2026 年 5 月 7 日至 8 日，覆盖 MCP World、MCP Store、Glama、Smithery、官方 MCP Registry、mcp.so 和 mcp-repository。研究团队先按 server 去重，再抽取工具名称与描述。696,291 项工具中有 1,880 项被排除，进入分析的是 694,411 项。
随后，团队从 O*NET 29.2 的 18,796 条职业任务里标出 9,423 条“可由软件执行”的任务。每项工具先通过文本嵌入找到最近的一条任务，再由语言模型判断：工具能否完整执行任务，还是只提供信息、完成其中一步，或只是词面相似。
对公开 Parquet 表重新计数，结果如下：
| 匹配标签 | 工具数 | 占分析集比例 |
|---|---|---|
| good：完整执行任务描述 | 18,058 | 2.600% |
| partial：只覆盖任务的一部分 | 591,826 | 85.227% |
| bad：最近邻也不构成有效匹配 | 84,522 | 12.172% |
这套规则有意把门槛设得很高。例如，一个名为 get_appointments、描述为“获取患者预约”的工具，与“为患者安排预约”在文本上高度相似，但只读取已有预约，因而被标为 partial。相反，能够直接创建系统交互图的工具，会与“开发系统交互或时序图”形成 good 匹配。这里评估的是描述中承诺的动作是否覆盖 O*NET 任务，而不是工具运行后的正确性、权限条件或多步协作成本。
简单去重没有改变 2.6%，但描述质量仍决定标签上限
公开目录会收录名称和描述相同、但来自不同 server 的工具。按小写化后的工具名与完整描述做严格去重，good 组有 15,970 个不同组合，较原始 18,058 条少 11.6%；partial 和 bad 组的重复占比分别为 12.6% 和 8.9%。再以每个组合最常见的标签计数，good 占比为 2.599%。这意味着简单的精确重复没有把 2.6% 明显推高或压低。
更难处理的是语义重复和描述失真。另一个针对 103 个 MCP server、856 项工具的研究发现，97.1% 的工具描述至少存在一种信息缺陷，56% 没有清楚说明用途；补全描述后，Agent 在 MCP-Universe 上的任务成功率中位数提高 5.85 个百分点，但执行步骤也增加 67.46%。ATE 依赖开发者编写的描述，因此同一能力可能因为描述详略而得到不同标签，写得很强的承诺也可能在未执行的情况下被当作能力。
ATE 数据卡目前只说明“嵌入最近邻 + 模型判断”的流程，尚未公开具体嵌入模型、判定模型、提示词、重复标注一致性或人工抽检规模，并注明完整论文仍待发布。因而 2.6% 可以复算，却还不能被当作经过外部校准的测量尺度。
491 个职业有完整匹配，419 个“没有活动”采用更宽口径
18,058 个 good 工具覆盖 1,380 条不同任务，约占 9,423 条软件可执行任务的 14.6%，分布在 491 个职业。Cohere 博客同时写道，923 个职业中有 419 个“没有任何 Agent 工具活动”。这两个数字使用的不是同一口径。
复算数据可见，419 的统计还把没有完整任务匹配、但其工具簇能映射到职业的情况算作“有活动”。把 good 匹配覆盖的职业与工具簇映射覆盖的职业合并，并限制在 O*NET 的 923 个职业内，共有 504 个职业出现活动，余下正好是 419 个。换句话说，491 衡量“至少有一项工具被判定能完整执行一条任务”，504 衡量“完整匹配或相关工具簇至少出现一种”；报道时不能把后者解释成有端到端自动化工具。
职业覆盖也高度集中。good 工具虽然有 18,058 项，却只落到 1,380 条任务；同一种通用动作可在许多 server 中反复出现。公开表中，“读取文件内容”与殡葬行业的“阅读文件以确认逝者身份”形成 65 条同描述匹配，就是文本动作对齐、行业条件尚未验证的典型例子。
ATE 补上供给侧一环，距离真实工作仍隔着采用与执行
围绕 AI 与工作的现有研究大致测量四件不同的事：理论上可做什么、劳动者想交给 AI 什么、开发者发布了什么、现实中什么任务被稳定完成。ATE 的位置是第三项。
作为需求侧对照，Stanford 的 WORKBank 收集 1,500 名劳动者和 52 名 AI 专家的判断，覆盖 104 个职业、844 项任务；46.1% 的任务得到劳动者对自动化的积极评价，但偏好与能力并不总是重合。作为使用代理指标，另一项对 177,436 个 MCP 工具的研究发现，软件开发占工具供给的 67%、下载量的 90%；作者同时明确，下载不等于工具被实际调用。ATE 把目录覆盖扩大到约四倍，并把“只提供一步”与“完整执行”分开，却仍没有跨过部署、调用和成功完成任务这三道门槛。
这也是 ATE 最有价值的用法：它不是给“Agent 会不会取代职业”一个百分比答案，而是提供一张可查询的公开供给地图。产品团队可以据此发现哪些 O*NET 任务已有大量重复接口、哪些职业只有零散组件、哪些工具正在形成跨任务工作流；研究者则可以把它与调用日志、人工接管率、任务成功率和组织内采用数据连接起来。
使用这套数据还需注意授权边界。数据卡注明 O*NET 任务文本沿用 CC BY 4.0，但 ATE 数据集本身截至发布时尚未设置许可证。下一步真正能改变结论的，不是目录里再增加多少工具，而是公开判定方法，并补上“工具被调用后是否在明确条件下完成任务”的可复现实验。
