MCP 工具设计：工程实践与权衡指南
AWS ML Blog · rss · 2026-07-10
### 痛点分析 文章指出，MCP（模型上下文协议）工具表现不佳往往源于工具设计而非协议本身，主要面临两大问题： - **臃肿**：工具定义在每次调用时都会加载入 LLM 上下文，多个 MCP 服务器极易耗尽上下文，导致推理能力下降。 - **混淆**：随着推理能力减弱，LLM 会做出糟糕的选择（如调用错误工具或参数）。虽然丰富描述能缓解混淆，但可能加剧臃肿。 ### 优化策略 作者提出了一系列平衡臃肿与混淆的上下文工程方法： - **精简响应与报错**：默认仅返回必要字段（可减少约三分之二的 token），并提供明确的错误提示以引导 LLM 下次尝试。 - **Schema 约束**：使用符合 LLM 认知的参数命名，设置默认值，并利用枚举限制有效值，参数数量建议控制在 8 个左右。 - **按需加载**：拆分多功能工具，采用延迟加载发现机制（如 Anthropic 的 Tool Search Tool 可减少 85% 的 token 消耗）。 - **服务端推理与 Agent 化**：通过自建内部 Agent 或引入外部 LLM 解析意图，将客户端 LLM 的调用转化为自然语言端点，从而完全掌控工程表现。