Dynamic ReAct：大规模 MCP 工具选择

Nishant Gaurav, Adit Akarsh, Ankit Ranjan, Manoj Bajaj · 2025 · arXiv:2509.20386

核心问题

MCP 生态增长到数百/数千工具时，ReAct Agent 无法全量加载——上下文有限。需要按需的动态工具选择。

五架构渐进演化

#	架构	核心机制	关键问题
1	Direct Semantic Search	用户查询→向量库→top-k	噪声严重，跨域失效
2	Meta-Tool Query Construction	LLM 构造原子搜索查询	仍需大 k，精度有限
3	Search and Load ★	search_tools + load_tools	最优平衡
4	Application-Aware	先搜 app 再搜 tool	额外调用收益有限
5	Fixed Tool Set	固定 meta-tool 动态访问	长对话退化

★ Search and Load（生产选择）

用户查询 → LLM构造多查询 → search_tools(k1=20, k2=5/每应用)
  → 去重返回 → LLM精选 → load_tools(< 5个工具) → 执行

优势：

多查询合并一次 search_tools 调用
去重 + 每应用上限 k2=5 控制候选规模
LLM 精选后通常加载不到 5 个工具（vs baseline 的 10+）
工具加载减少 50%，准确率保持

context-enriched-embeddings

从 baseline 的 Top-5 40% → 60%（+50% 相对提升）：

Sonnet 4 生成增强描述（隐式功能 + 用例）
voyage-context-3 嵌入 + Sonnet context
BM25 混合提升 recall 但降 precision（关键词误匹配）

meta-tools

四个核心 meta-tool：

search_tools：两级搜索（k1 候选 → 去重 → k2 每应用上限）
load_tools：LLM 精选后显式加载
search_apps：先定位应用（可选，收益有限）
get_tool_info / call_tool：Fixed Tool Set 模式的动态访问

default-tools

create_table + web_search 始终可用——避免为通用任务浪费搜索（如 LLM 搜索 "financial APIs" 来找财报，有了 web_search 直接搜即可）。

与 MCP-Zero 的对比

| | Dynamic ReAct | fei-mcp-zero-2025 | |---|---|---| | 核心机制 | meta-tool + 语义搜索 | Agent 主动请求 + 层次路由 | | 工具加载 | search→load 两阶段 | 请求→路由→注入 | | 向量策略 | context-enriched embeddings | OpenAI text-embedding-3-large | | 多轮 | ReAct 框架内迭代 | Iterative Capability Extension | | 共性 | 都追求"按需而非全量" | 都反对被动注入 |

Dynamic ReAct 论文直接引用了 MCP-Zero（ref [2]）——两篇构成 MCP 工具选择的互补视角。

来源：原始存档

2.9 KiB Raw Blame History Unescape Escape