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

title, created, updated, type, source, arxiv_id, version

title	created	updated	type	source	arxiv_id	version
MCP-Zero: Active Tool Discovery for Autonomous LLM Agents	2026-06-19	2026-06-19	paper-raw	https://arxiv.org/abs/2506.01056	2506.01056	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)