MCP工具选择瓶颈新分析
Inevitable_Fee1895 · reddit · 2026-07-13
这条讨论聚焦 **MCP 工具选择在工具数量变多后为何失准**，核心结论是：单靠检索式预筛选只能修补一部分问题，真正的瓶颈可能在模型读出阶段。 要点： - 业界经验里，工具数超过约 20 个后，agent 的工具选择准确率会明显下降。 - 常见做法是先对工具目录做 RAG 检索，再把短名单交给模型；相关论文显示这样能显著提升准确率并减少 prompt token。 - 但新论文指出，**输入侧修补的上限很早就出现了**： - 在真实 BFCL 失败样本里，模型多数时候其实会把注意力放到正确工具上； - 重新排序工具、重复正确工具等输入侧干预，最多只修复约 23% 的失败； - 而在读出侧做 attention bias 或 residual steering，能修复 59%–91% 的失败。 - 作者还给出一个**无需标注、无需 gold tool** 的 selector：用分段 attention 作为置信度门控，在 BFCL 和 Seal-Tools 上都提升了函数名准确率。 原帖观点是：检索仍然值得做，因为它能降成本、降延迟；但如果只靠 retrieval 和工具描述优化，可能已经碰到上限，下一步更值得看读出层、logit processor、约束解码或外部重评分。