2.2 KiB
2.2 KiB
title, created, type
| title | created | type |
|---|---|---|
| Dynamic ReAct Review | 2026-06-19 | 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
- 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
- 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
- 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%
- context-enriched-embeddings — Sonnet 4 生成增强描述，Top-5 40%→60%（+50% 相对提升）
- default-tools — create_table + web_search 始终可用，避免通用任务浪费搜索
- tool-registry — 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 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
-
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。
-
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。