当 Agent 同时接入上百个工具:MCP 之后的难点在于“让模型看见多少”

工具数量并不是 AI Agent 能力建设的唯一重点。真正影响任务完成质量的,是系统在每一轮交互中让模型看到多少工具、如何组织这些工具的可见范围。

当 AI Agent 被期待完成越来越复杂的任务时,接入更多工具似乎成为自然选择:查天气、读日历、订机票、查政策,甚至接入上百种功能。但一篇来自掘金的技术文章提出了一个更现实的问题:工具数量增加并不必然让 Agent 更好用,反而可能让模型在相似入口中更难判断该调用哪一个。

文章的核心判断是,决定 Agent 成败的,不只是“接了多少工具”,而是“这一轮让 Agent 看见多少工具”。换句话说,工具能力的扩张正在把问题从连接能力转向信息暴露策略。

工具说明本身也是成本

素材把问题拆成两层。第一层是能力形态,也就是一项本领以什么方式存在:是专用功能、通用命令行,还是一份说明某类任务如何操作的 Skill。第二层是展示策略,也就是在当前任务中,系统要把多少本领展示给 Agent:是一次性展开全部说明,还是先给目录,等需要时再展开。

这两层不能混为一谈。文章用超市作比喻:商品如何包装是一个问题,货架上同时摆出多少件是另一个问题。对 Agent 来说,工具说明会占用模型一次能处理的信息空间,通常以 token 计量。把一百个工具的完整说明同时塞给模型,不仅增加篇幅开销,也会让相似功能混杂在一起,增加选择难度。

MCP 解决“接得上”,不解决“该看哪些”

在连接侧,MCP(Model Context Protocol)被描述为一套通用插座:一端是使用工具的 AI 应用,另一端是提供功能的服务。服务可以提供可调用工具,也可以提供可读取资料和可复用提示模板。它主要回答的是“怎样接得上”。

但文章指出,MCP 并不负责回答“这一轮该给 Agent 看哪些工具”。这个判断仍要由运行 Agent 的应用完成。Skill Hub 则更像说明书分发商店,提供某类任务的操作指引,有些 Skill 还附带可执行脚本。Skill 也可以通过 MCP 被发现和传递。因此,接入渠道并非只有单一选择,但无论工具从哪里进来,应用都要决定:当前展示多少。

更稳妥的方式通常不是把所有表单同时摊开,而是先提供简短目录,等任务目标明确后再展开相应工具。以“帮我规划明天去机场的路”为例,Agent 一开始可能只需要查航班和地图;如果查航班后发现暴雨风险,再去寻找天气功能。这种“主动发现”让 Agent 在做事途中提出需求,由系统补充相关说明,而不是在任务开始时就猜测所有可能需求。

按需查找未必自动提高准确率

文章也提醒,按需查找听起来更合理,但并不意味着一定带来更高准确率。素材提到一项小样本实验:对比两种做法,一种把大量工具说明一次性交给小模型,另一种让模型在需要时再查找。

  • 实验预期:按需查找能改善表现。
  • 实际结果:在 Qwen3-4B 模型的三道任务里,两组都完成了 3/3,准确率均为 100%。
  • 这次测试没有证明准确率提高。
  • 主动发现减少了工具详细说明的暴露量和实测用时,但过程中仍出现无关调用和过早结束。

这意味着,工具暴露策略的优化不能只靠直觉。预期与实测需要分开看,三道题也不足以覆盖所有真实场景。

使用者和搭建者要追问的问题变了

对使用者来说,值得关注的不只是 Agent 接入了哪些能力,还包括系统是否把所有功能都摊给 Agent;当找不到合适工具时,Agent 会坦白“没找到”,还是会硬选一个相似但不适用的入口。后两者往往比工具数量更直接影响使用体验。

对搭建者来说,安全同样重要。第三方提供的工具说明可能夹带诱导性指令,Skill 附带脚本也可能在用户电脑上运行。文章将其类比为下载应用:能搜到、能安装,不等于应立即授予通讯录和邮件权限,还需要检查来源、版本以及它实际能访问什么。

在 MCP 提供连接方式之后,Agent 工具设计的难点正在从“能不能接上”转向“什么时候、让它看见多少”。少而准的可见范围,加上找不到工具时的明确反馈,可能比同时摆出一百个按钮更接近真实可用。

原创文章,作者:点点,如若转载,请注明出处:https://www.dian8dian.com/dang-agent-tong-shi-jie-ru-shang-bai-ge-gong-ju-mcp-zhi-hou

Like (0)
点点的头像点点
Previous 16小时前
Next 2024年10月23日

相关推荐