大型语言模型代理通过模型上下文协议（MCP）在运行时发现并调用跨服务器的工具。现有的 MCP 基准主要衡量任务完成度，诊断失败时往往在执行后进行，而未在任务构造时嵌入推理、执行和记忆失误的风险。我们提出 MCPHallu，针对 MCP 环境中的幻觉易发失败进行三维诊断：推理、执行和记忆。MCPHallu 包含 358 个任务，覆盖五个能力域，在 36 台生产 MCP 服务器的隔离容器中运行。每个任务都设计了结构化触发器，使四种子类型之一成为主要风险：分支崩溃（Branch Collapse）、不可达目标（Unreachable Goal）、工具误用（Tool Misuse）和上下文遗忘（Context Forgetting），从而支持子类型层面的分析而非仅看整体成功率。我们在 5,012 条轨迹上评估了来自八家供应商的十四个前沿 LLM 代理。当前 MCP 代理在幻觉诱导的工具环境中仍然脆弱，平均得分为 0.642（$[0,1]$，分数越高越好）。失败主要集中在不可达目标任务，平均得分降至 0.458，只有 23.2% 的运行通过，表明代理常继续发起工具调用或声称成功完成，而未识别目标不可实现。子类型排名差异显著：模型在不同子类型间的排名平均变化 6.9（共 13 位），且分支崩溃与不可达目标之间几乎不相关（$r = -0.12$）。MCPHallu 已在 https://github.com/J1zz/mcp_hallu 开源发布。
点评：MCPHallu 通过结构化任务触发器将幻觉风险细化为可测的子类型，为评估和改进 MCP 代理提供了更精细的诊断工具，揭示了当前模型在识别不可实现目标方面的显著短板，指明了未来研究的关键方向。