2.9 KiB
2.9 KiB
title, created, updated, type, tags, sources
| title | created | updated | type | tags | sources | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| MCP-Zero：主动工具发现 | 2026-06-19 | 2026-06-19 | paper |
|
|
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：
- 上下文膨胀：单个 GitHub MCP server 4600+ tokens，全 MCP 生态 248K tokens
- 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
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
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
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 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 的"检索而非全加载"思路一脉相承。
关键概念
- active-tool-discovery — 范式转变
- active-tool-request — 结构化请求机制
- hierarchical-semantic-routing — 两级匹配
- iterative-capability-extension — 跨域 toolchain
- mcp-protocol — 标准化工具接口
- mcp-tools-dataset
来源：原始存档