論文の概要: ScaleMCP: Dynamic and Auto-Synchronizing Model Context Protocol Tools for LLM Agents

• arxiv url: http://arxiv.org/abs/2505.06416v1
• Date: Fri, 09 May 2025 20:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.832676
• Title: ScaleMCP: Dynamic and Auto-Synchronizing Model Context Protocol Tools for LLM Agents
• Title（参考訳）: ScaleMCP: LLMエージェントのための動的および自動同期モデルコンテキストプロトコルツール
• Authors: Elias Lumer, Anmol Gulati, Vamse Kumar Subbiah, Pradeep Honaganahalli Basavaraju, James A. Burke,
• Abstract要約: ScaleMCPは、エージェントにMPPツールレトリバーを動的に装備する新しいツール選択アプローチである。 エージェントは、メモリにツールを追加する自律性に加えて、自動同期ツールストレージシステムパイプラインを提供する。 5000のファイナンシャルメトリックMCPサーバからなるデータセットを用いて総合評価を行い、ツール検索とエージェント起動性能を大幅に改善したことを示す。
• 参考スコア（独自算出の注目度）: 1.7217813564531652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in Large Language Models (LLMs) and the introduction of the Model Context Protocol (MCP) have significantly expanded LLM agents' capability to interact dynamically with external tools and APIs. However, existing tool selection frameworks do not integrate MCP servers, instead relying heavily on error-prone manual updates to monolithic local tool repositories, leading to duplication, inconsistencies, and inefficiencies. Additionally, current approaches abstract tool selection before the LLM agent is invoked, limiting its autonomy and hindering dynamic re-querying capabilities during multi-turn interactions. To address these issues, we introduce ScaleMCP, a novel tool selection approach that dynamically equips LLM agents with a MCP tool retriever, giving agents the autonomy to add tools into their memory, as well as an auto-synchronizing tool storage system pipeline through CRUD (create, read, update, delete) operations with MCP servers as the single source of truth. We also propose a novel embedding strategy, Tool Document Weighted Average (TDWA), designed to selectively emphasize critical components of tool documents (e.g. tool name or synthetic questions) during the embedding process. Comprehensive evaluations conducted on a created dataset of 5,000 financial metric MCP servers, across 10 LLM models, 5 embedding models, and 5 retriever types, demonstrate substantial improvements in tool retrieval and agent invocation performance, emphasizing ScaleMCP's effectiveness in scalable, dynamic tool selection and invocation.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩とモデルコンテキストプロトコル(MCP)の導入は、外部ツールやAPIと動的に対話するLLMエージェントの機能を大幅に拡張した。 しかし、既存のツール選択フレームワークはMSPサーバを統合せず、エラーを起こしやすいローカルツールリポジトリへの手動アップデートに大きく依存しているため、重複、矛盾、非効率につながる。 さらに、LLMエージェントが呼び出される前に、現在の抽象ツール選択にアプローチすることで、その自律性を制限し、マルチターンインタラクション時の動的再クエリ機能を妨げている。 これらの問題に対処するため,我々は,LCMエージェントをMPPツールレトリバーに動的に装備する新しいツール選択アプローチであるScaleMCPを紹介した。 また,組込みプロセスにおいて,ツール文書の重要コンポーネント(ツール名や合成質問など)を選択的に強調するために,新しい組込み戦略であるツール文書重み付け平均化(TDWA)を提案する。 10のLLMモデル,5つの埋め込みモデル,5つのレトリバータイプにまたがる5,000のファイナンシャルメトリックMCPサーバからなるデータセットで実施された包括的な評価は,ツール検索とエージェント起動性能を大幅に改善し,スケーラブルでダイナミックなツール選択と実行におけるScaleMCPの有効性を強調した。

関連論文リスト

• Advanced Tool Learning and Selection System (ATLASS): A Closed-Loop Framework Using LLM [0.0]
  ATLASSはクローズドループフレームワークとして設計された高度なツール学習と選択システムである。 エージェントはツールの選択、実行、改善のオーケストレーションにおいて重要な役割を担い、適応的な問題解決能力を確保する。 OpenAI GPT-4.0 は LLM エージェントとして使用され、安全性と倫理上の懸念は人間のフィードバックによって処理される。
  論文  参考訳（メタデータ） (2025-03-13T05:39:00Z)
• Tool Learning in the Wild: Empowering Language Models as Automatic Tool Agents [56.822238860147024]
  大規模な言語モデルを外部ツールで拡張することは、彼らのユーティリティを拡張するための有望なアプローチとして現れました。 以前のメソッドは、ツールドキュメントを手動で解析し、コンテキスト内デモを作成し、ツールをLLMがステップバイステップの推論で使用する構造化フォーマットに変換する。 LLMがツール使用ワークフローを自動化できるフレームワークであるAutoToolsを提案する。
  論文  参考訳（メタデータ） (2024-05-26T11:40:58Z)
• Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
  現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。 既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。 我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
  論文  参考訳（メタデータ） (2024-05-25T06:41:23Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)
• Large Language Models as Tool Makers [85.00361145117293]
  我々はLLM A s Tool Makers (LATM) と呼ばれるクローズドループフレームワークを導入する。 ツール作成: 1 つのツール作成: LLM がタスクセットのためのツールを作成するツールメーカとして機能する 2 つのツール使用: 別の LLM がツールユーザとして機能し、ツールメーカが問題解決のために構築したツールを適用する。
  論文  参考訳（メタデータ） (2023-05-26T17:50:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。