myWiki/raw/papers/gaurav-dynamic-react-2025.md

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

title	created	updated	type	source	arxiv_id	version
Dynamic ReAct: Scalable Tool Selection for Large-Scale MCP Environments	2026-06-19	2026-06-19	paper-raw	https://arxiv.org/abs/2509.20386	2509.20386	v1

Dynamic ReAct: Scalable Tool Selection for Large-Scale MCP Environments

Authors: Nishant Gaurav, Adit Akarsh, Ankit Ranjan, Manoj Bajaj (agentr.dev) Published: 2025-09-22 Venue: arXiv:2509.20386 (cs.SE, cs.AI, cs.IR)

核心问题

当 MCP 工具生态扩展到数百到数千个工具时，传统 ReAct Agent 的全量加载方式不可行——LLM 上下文有硬限制。

五架构演进

1. Baseline: Direct Semantic Search

用户查询直接入向量库 → 取 top-k → 绑定 LLM。简单但噪声严重（"退订链接"查询返回 Mailchimp 的 unsubscribe 报告而非 Gmail 工具）。

2. Meta-Tool Query Construction

暴露向量搜索为 meta-tool，LLM 先构造原子化搜索查询再检索。更精确，但仍需大 k 值。

3. Search and Load（★ 最优）

两个 meta-tool：search_tools（两级搜索，k1=20→去重→每应用上限 k2=5）+ load_tools（LLM 精选后显式加载）。多查询合并、精确加载 < 5 个工具。

4. Application-Aware (Hierarchical Search)

增加 search_apps 先定位应用再搜工具。application filtering 在语义搜索中效果有限——LLM 倾向直接用 query 包含 app 名。

5. Fixed Tool Set

四个固定 meta-tool 动态获取工具信息并调用。缓存效率好，但长对话中性能退化。

向量检索优化

策略	Top-5	Top-10
OpenAI text-embedding-3-large (baseline)	40%	64%
voyage-context-3	48%	68%
voyage-context-3 + Sonnet context enrichment	60%	68%
+ BM25 hybrid	56%	72%

Context enrichment 带来 50% 相对提升（Top-5: 40→60%）。

关键创新

• default tools：create_table + web_search 始终可用，避免为通用任务浪费搜索
• Meta-tool 作为"七杠杆"：LLM Client (1) + Meta Tools (4) + Tool Registry (1) + Vector DB (1)
• 工具加载减少 50%，准确率不降