20260625:很多新内容

raw/papers/fei-mcp-zero-2025.md

@@ -0,0 +1,56 @@
+---
+title: "MCP-Zero: Active Tool Discovery for Autonomous LLM Agents"
+created: 2026-06-19
+updated: 2026-06-19
+type: paper-raw
+source: https://arxiv.org/abs/2506.01056
+arxiv_id: 2506.01056
+version: v4
+---
+
+# MCP-Zero: Active Tool Discovery for Autonomous LLM Agents
+
+**Authors**: Xiang Fei, Xiawu Zheng*, Hao Feng (Xiamen University, USTC)
+**Published**: 2025-06-01 (v4: 2025-06-24)
+**Venue**: arXiv:2506.01056 (cs.AI, cs.SE)
+**Code**: https://github.com/xfey/MCP-Zero
+
+## 核心洞察
+
+当前 LLM Agent 的工具使用是**被动的**——将所有 tool schema 注入 system prompt 让模型从中选择。这有两个致命问题：(1) 上下文开销爆炸（GitHub MCP server 一个就需要 4600+ tokens，全生态 248K tokens）；(2) 决策自主权被剥夺——模型从"自主能力构建者"退化为"被动选择器"。
+
+MCP-Zero 将范式翻转为**主动工具发现（Active Tool Discovery）**：Agent 自主识别能力缺口，按需生成结构化工具请求，系统匹配并返回。
+
+## 三大机制
+
+### 1. Active Tool Request
+模型自主生成结构化请求：
+```
+<tool_assistant>
+server: File system allowing file operations
+tool: Read file by filename
+</tool_assistant>
+```
+关键：请求在**工具文档的语义空间**中，语义对齐度高于原始用户查询。
+
+### 2. Hierarchical Semantic Routing
+两级粗到细检索：
+- 第一级：server 字段 → 匹配 server 描述（含增强摘要）
+- 第二级：tool 字段 → 在选中的 server 内排序
+- 评分：score = (s_server × s_tool) × max(s_server, s_tool)
+- 复杂度从 O(n) 降至 O(m+k)，m+k ≪ n
+
+### 3. Iterative Capability Extension
+支持多轮迭代发现：模型可逐步构建跨域 toolchain（文件→编辑→执行），当前工具不足时可优化请求重新检索。
+
+## 关键数据
+
+- 数据集 MCP-tools：308 servers, 2,797 tools
+- APIBank 上 token 消耗降低 **98%** 且保持高准确率
+- 在 248.1K tokens 的工具描述空间中精准选择
+
+## 理论分析
+
+- 主动发现建模为 active learning：r* = arg max I(T*; r|s_t)
+- 注意力分布：被动 O(1/n) ↘ 主动 O(1/k)，k ≪ n
+- 语义对齐优势：cos(e_r, e_t) > cos(e_q, e_t)