---
title: "MCP-Zero：主动工具发现"
created: 2026-06-19
updated: 2026-06-19
type: paper
tags: [active-tool-discovery, mcp, llm-agents, tool-use, semantic-routing, context-efficiency]
sources:
  - https://arxiv.org/abs/2506.01056
  - https://github.com/xfey/MCP-Zero
---

# MCP-Zero：主动工具发现

> **Xiang Fei, Xiawu Zheng, Hao Feng** (厦大/中科大) · 2025 · arXiv:2506.01056

## 核心问题

当前 LLM Agent 的工具使用范式本质上是**被动的**——将所有 tool schema 注入 context，让模型从预定义选项中挑选。两个致命后果：

1. **上下文膨胀**：单个 GitHub MCP server 4600+ tokens，全 MCP 生态 248K tokens
2. **自主权剥夺**：模型从"自主能力构建者"退化为"被动选择器"

## 核心策略：主动工具发现

> **从"给你所有工具自己挑"翻转为"告诉我你需要什么，我来找"。**

```
被动范式：  所有 tool schema → Context → LLM 选择
主动范式：  LLM 生成 <tool_request> → 语义匹配 → 返回精确工具
```

## 三大机制

### 1. [[active-tool-request|Active Tool Request]]
模型自主生成结构化请求，指定 server（平台/权限域）和 tool（操作类型+目标），请求在工具文档的语义空间中——对齐度天然优于原始用户查询。

### 2. [[hierarchical-semantic-routing|Hierarchical Semantic Routing]]
两级检索：先匹配 server（含增强摘要），再在选中 server 内排序 tool。复杂度 O(n)→O(m+k)，m+k ≪ n。

### 3. [[iterative-capability-extension|Iterative Capability Extension]]
多轮迭代构建跨域 toolchain：读文件→编辑代码→执行验证。工具不足时自主优化请求重新检索，天然容错。

## 关键数据

| 指标 | 数值 |
|------|------|
| MCP-tools 数据集 | 308 servers, 2,797 tools |
| APIBank token 节省 | **-98%** |
| 搜索空间 | 248.1K tokens |
| 准确率 | 保持高准确率 |

## 理论贡献

- 主动发现建模为 **active learning**：r* = arg max I(T*; r|s_t)
- 语义对齐优势：cos(e_r, e_t) > cos(e_q, e_t)，agent 请求在工具描述空间中
- 注意力效率：被动 O(1/n) → 主动 O(1/k)

## 与 Agent Harness 的关联

MCP-Zero 直接解决了 [[agent-skill|Agent Skills]] 框架中"操作维度"的工具发现问题：不是预加载 300 个 tool schema，而是让 Agent 在运行时按需请求。这与 [[skill-retrieval|Skill Retrieval]] 的"检索而非全加载"思路一脉相承。

## 关键概念

- [[active-tool-discovery|主动工具发现]] — 范式转变
- [[active-tool-request|Active Tool Request]] — 结构化请求机制
- [[hierarchical-semantic-routing|层次语义路由]] — 两级匹配
- [[iterative-capability-extension|迭代能力扩展]] — 跨域 toolchain
- [[mcp-protocol|MCP 协议]] — 标准化工具接口
- [[mcp-tools-dataset|MCP-tools 数据集]]

来源：[原始存档](raw/papers/fei-mcp-zero-2025.md)