論文の概要: ToolACE-MCP: Generalizing History-Aware Routing from MCP Tools to the Agent Web

• arxiv url: http://arxiv.org/abs/2601.08276v1
• Date: Tue, 13 Jan 2026 07:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.092198
• Title: ToolACE-MCP: Generalizing History-Aware Routing from MCP Tools to the Agent Web
• Title（参考訳）: ToolACE-MCP:MSPツールからエージェントWebへの履歴認識ルーティングの一般化
• Authors: Zhiyuan Yao, Zishan Xu, Yifu Guo, Zhiguang Han, Cheng Yang, Shuo Zhang, Weinan Zhang, Xingshan Zeng, Weiwen Liu,
• Abstract要約: 大規模生態系における正確なナビゲーションを支援するために,歴史を意識したルータをトレーニングするためのパイプラインであるToolACE-MCPを提案する。 実世界のベンチマーク MCP-Universe と MCP-Mark の実験は優れた性能を示した。
• 参考スコア（独自算出の注目度）: 39.07565506678354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of the Agent Web and Model Context Protocol (MCP), the agent ecosystem is evolving into an open collaborative network, exponentially increasing accessible tools. However, current architectures face severe scalability and generality bottlenecks. To address this, we propose ToolACE-MCP, a pipeline for training history-aware routers to empower precise navigation in large-scale ecosystems. By leveraging a dependency-rich candidate Graph to synthesize multi-turn trajectories, we effectively train routers with dynamic context understanding to create the plug-and-play Light Routing Agent. Experiments on the real-world benchmarks MCP-Universe and MCP-Mark demonstrate superior performance. Notably, ToolACE-MCP exhibits critical properties for the future Agent Web: it not only generalizes to multi-agent collaboration with minimal adaptation but also maintains exceptional robustness against noise and scales effectively to massive candidate spaces. These findings provide a strong empirical foundation for universal orchestration in open-ended ecosystems.
• Abstract（参考訳）: Agent WebとModel Context Protocol(MCP)の台頭により、エージェントエコシステムはオープンなコラボレーティブなネットワークへと進化し、アクセス可能なツールを指数関数的に増加させています。 しかし、現在のアーキテクチャは厳しいスケーラビリティと一般的なボトルネックに直面しています。 そこで我々は,大規模エコシステムにおける正確なナビゲーションを支援するために,履歴を意識したルータをトレーニングするためのパイプラインであるToolACE-MCPを提案する。 依存性に富んだグラフを利用してマルチターントラジェクトリを合成することにより、動的コンテキスト理解でルータを効果的に訓練し、プラグアンドプレイのLight Routing Agentを作成する。 実世界のベンチマーク MCP-Universe と MCP-Mark の実験は優れた性能を示した。 特に、ToolACE-MCPは将来のエージェントWebにとって重要な特性を示しており、最小限の適応でマルチエージェントのコラボレーションを一般化するだけでなく、ノイズに対する例外的な堅牢性を維持し、巨大な候補空間に効果的にスケールする。 これらの発見は、オープンエンドエコシステムにおける普遍的なオーケストレーションのための強力な実証的基盤を提供する。

関連論文リスト

• WebFactory: Automated Compression of Foundational Language Intelligence into Grounded Web Agents [20.85611634311147]
  本稿では,GUIエージェントのための完全自動クローズドループ強化学習パイプラインであるWebFactoryを紹介する。 我々のエージェントは例外的なデータ効率と一般化を実証する。 この研究は、受動的インターネット知識をアクティブで接地されたインテリジェンスに変換するためのスケーラブルで費用効率のよいパラダイムを提示します。
  論文  参考訳（メタデータ） (2026-03-05T10:51:34Z)
• OpAgent: Operator Agent for Web Navigation [23.928869500029432]
  我々は、オンラインインタラクション環境を開発し、特殊なRLパイプラインを用いてビジョン・ランゲージ・モデル(VLM)を微調整する。 本稿では,総合的な結果評価のためのWebJudgeと,進捗報酬のためのルールベース決定木(RDT)を組み合わせたハイブリッド・リワード機構を提案する。 特に、我々のRL強化モデルは、WebArena上で38.1%の成功率(pass@5)を達成し、既存のモノリシックなベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-02-14T02:33:55Z)
• Agent World Model: Infinity Synthetic Environments for Agentic Reinforcement Learning [62.499592503950026]
  大規模言語モデル(LLM)は、ツールや環境とのマルチターンインタラクションを必要とする複雑なタスクを実行するために、自律エージェントに権限を与えている。 完全合成環境生成パイプラインであるエージェント・ワールド・モデル(AWM)を提案する。 私たちは、エージェントがリッチなツールセットと対話できる、毎日のシナリオをカバーする1,000の環境にスケールします。
  論文  参考訳（メタデータ） (2026-02-10T18:55:41Z)
• MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era [74.42509044145417]
  MegaFlowは、エージェント環境ワークロードの効率的なスケジューリング、リソース割り当て、きめ細かいタスク管理を可能にする、大規模な分散オーケストレーションシステムである。 エージェントのトレーニングデプロイメントでは、MegaFlowは、高いシステムの安定性を維持しながら、数万の並行エージェントタスクを編成し、効率的なリソース利用を実現しています。
  論文  参考訳（メタデータ） (2026-01-12T13:25:33Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
  既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。 我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
  論文  参考訳（メタデータ） (2024-07-09T17:33:24Z)

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。