---
title: "Dynamic ReAct Review"
created: 2026-06-19
type: review
---

# 📌 基本信息

- **论文**：Dynamic ReAct: Scalable Tool Selection for Large-Scale MCP Environments
- **作者**：Nishant Gaurav, Adit Akarsh, Ankit Ranjan, Manoj Bajaj (agentr.dev)
- **arXiv**：2509.20386 (v1, 2025-09-22)
- **领域**：cs.SE, cs.AI, cs.IR
- **添加时间**：2026-06-19

# 🎯 核心概念

1. **[[dynamic-react|Dynamic ReAct]]** — meta-tools + 语义搜索，让 ReAct Agent 在数千工具的 MCP 环境中按需加载
2. **[[meta-tools|Meta Tools]]** — 管理工具的工具（search_tools, load_tools），将被动选择转化为主动管理
3. **[[search-and-load|Search and Load]]** ★ — 五架构中的最优方案：两次额外调用，LLM 精选 < 5 个工具，加载量 -50%
4. **[[context-enriched-embeddings|上下文增强嵌入]]** — Sonnet 4 生成增强描述，Top-5 40%→60%（+50% 相对提升）
5. **[[default-tools|Default Tools]]** — create_table + web_search 始终可用，避免通用任务浪费搜索
6. **[[tool-registry|工具注册表]]** — 全量工具仓库 + 向量索引，描述质量是检索精度的关键杠杆

# 🔗 概念网络

- **核心连接**：Dynamic ReAct ↔ Meta Tools ↔ Search and Load ↔ 向量检索优化
- **跨论文桥接**：与 [[fei-mcp-zero-2025|MCP-Zero]] 直接互引——共同反对被动工具注入，路线互补
- **操作维度贡献**：在 Agent Harness 的"操作维度"中，提供了 MCP 工具选择的基础设施方案

# 📚 Wiki 集成

- **新增页面**：8 个（1 论文 + 1 raw + 6 概念）
- **Wiki 总规模**：1042 → 1050 页

# 💡 关键洞察

1. **工程务实性**：Dynamic ReAct 不追求理论优雅，而是通过五架构实验（每个都有真实查询案例和失败模式）找到工程最优。Search and Load 的设计决策——多查询合并、k1/k2 分层、LLM 精选——都来自实操教训而非理论推导。

2. **描述 > 模型**：最有价值的发现是"换描述比换 embedding 模型更有效"——context enrichment 贡献 12pp，模型切换贡献 8pp。这对所有依赖语义检索的系统（包括 Skill 检索）都有推广价值。