LLM 에이전트들은 도구를 잘못 호출하며, 이에 대한 자연스러운 추측은 모델이 혼잡한 하네스(harness) 내에서 올바른 도구를 보지 못했다는 것입니다. 우리는 기존 연구들이 제쳐두었던 관점, 즉 라벨링된 도구 정의 세그먼트(tool-definition segments)에 대한 모델의 어텐션(attention)을 통해 그 반대의 사실을 보여줍니다. 실제 BFCL 실패 사례를 분석한 결과, 후보별 어텐션 아그맥스(argmax)를 통해 확인했을 때 모델은 80%의 확률로 올바른 도구에 가장 높은 어텐션을 기울였습니다(무작위 확률 21% 대비). 반면, 정답(gold)이 어텐션을 적게 받은 세그먼트인 경우는 단 10%에 불과했습니다. 즉, 모델은 올바른 도구를 보고 있음에도 불구하고 여전히 잘못 선택한다는 것입니다. 이는 직관적인 "혼잡한 하네스(crowded-harness) / 중간에서 길을 잃음(lost-in-the-middle)" 설명에 정면으로 반박됩니다. 실패는 하네스가 아니라 의사결정 판독(decision readout) 단계에서 발생하며, 우리는 세 가지 방식으로 이를 입증합니다. (1) 입력 vs 판독(Input vs. readout): 프롬프트를 수정(정답 도구의 순서를 변경하거나 복제)하는 것은 실패 사례의 23% 이하만을 복구하는 반면, 판독 측면의 개입(readout-side interventions)은 59-91%를 복구합니다. (2) 표현 불변성(Representation-invariance): 서로 다른 표현 방식에서 수행된 두 가지 정답 지향적 개입 — 가산적 어텐션 로짓 편향(additive attention-logit bias)과 잔차 스트림 스티어링 벡터(residual-stream steering vector) — 는 거의 동일한 실패 사례를 복구했습니다(태스크별 Jaccard 0.865 통합, 모델별 0.79-0.91). 따라서 병목 현상은 어떤 표현을 건드리느냐와 무관하게 판독 단계에 국한되어 있습니다. (3) 훈련이 필요 없고 정답이 필요 없는 선택기(A training-free, gold-free selector): 세그먼트별 어텐션은 BFCL에서 정답 미사용(gold-free)과 오라클(oracle) 간의 격차 대부분을 해소하며(함수 이름 선택에서 통합 +11.9 pts, 오라클 여유분 +17.9-pt 대비), Seal-Tools에서 +14.9 pts를 추가합니다. 모든 모델에서 긍정적인 결과가 나타났습니다(각각 exact McNemar p<=8e-4). 적용 범위는 다릅니다: 인과적 어텐션 편향(causal attention-bias)의 용량-반응(dose-response)은 10개의 마스크 준수 모델(3-32B)에서 양방향적이고 단조적(monotonic)으로 나타났으며, 전체 0.5-32B 범위에서는 상관관계적 진단(correlational diagnostic)만을 수행합니다. 배포 가능한 선택기는 5개의 단일 턴(single-turn) 모델에서 평가되었으며, 아직 멀티 턴(multi-turn) 루프로 전이되지는 않았습니다.