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。

原文链接 →

「编程与Agent」频道最新

• 用 $28 算力让模型给自己造 copilot：他的新模型个人基准 — bucolucas · 2026-10-27
• Agent 中途改计划该被允许吗：真实系统介入时的边界之辩 — wistfulcracker84 · 2026-10-27
• HeyGen 联手 Canva:幻灯片讲者备注自动变数字人讲解视频 — HeyGen · 2026-10-27
• 隐私场景实测：本地 Qwen 3.8 FN 不输云端前沿模型还更快 — dr_lm · 2026-10-27
• Cloudflare Computer 支持 agent 中断恢复，可跳过已完成的非幂等请求 — irvinebroque · 2026-10-27
• LLM Tails 实测省 80% 输入 token：先读后写约束 agent 编码 — savadks1818 · 2026-10-27

更多「编程与Agent」频道 AI 资讯 →