論文の概要: Hybrid Semantic Tool Discovery for Enterprise MCP Gateway: Architecture and Implementation

• arxiv url: http://arxiv.org/abs/2608.23992v1
• Date: Tue, 25 Aug 2026 02:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.762133
• Title: Hybrid Semantic Tool Discovery for Enterprise MCP Gateway: Architecture and Implementation
• Title（参考訳）: エンタープライズMPPゲートウェイのためのハイブリッドセマンティックツールディスカバリ:アーキテクチャと実装
• Abstract要約: 大規模言語モデル(LLM)エージェントは、事前訓練された知識以上の情報を検索し、推論するために外部ツールを起動する。 Model Context Protocol (MCP)はそのようなツールがどのようにサーフェスされるかを標準化し、プロキシMSPサーバは単一のエンドポイントの背後にある多くのバックエンドサーバを集約する。 SCOUTは、ツールの露出をコンテキスト選択問題として再設定し、現在のステップに関連するツールのみを注入する。
• 参考スコア（独自算出の注目度）: 1.6774701449274187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents invoke external tools to retrieve and reason over information beyond pretrained knowledge. The Model Context Protocol (MCP) standardizes how such tools are surfaced, and a proxy MCP server aggregates many backend servers behind a single endpoint providing a secure, governable chokepoint for authentication, policy enforcement, and observability. This architecture creates two compounding challenges: a context-engineering bottleneck where full tool schemas saturate the model context window before any user query, and a tool discoverability barrier where users and agents cannot identify the best tool among 2,000+ indexed tools across 200+ MCP servers. Prompt caching reduces reprocessing cost but neither frees context capacity nor improves accuracy. We present SCOUT (Selective Context Optimization for Universal Tooling), which reframes tool exposure as a context-selection problem, injecting only tools relevant to the current step. SCOUT surfaces two MCP meta-tools -- tool_search and execute_tool -- where tool_search performs hybrid retrieval, fusing BM25 sparse matching with dense vector search via Reciprocal Rank Fusion to return the top-k relevant tools. Backed by zero-downtime catalog update pipelines, SCOUT resolves both context saturation and tool discovery challenges. In production at PayPal, SCOUT reduces MCP tool-token consumption from 140.2k tokens (70.1% of context) to 1.3k tokens (0.8%), a 99% reduction, cutting per-query inference cost at enterprise scale. Because SCOUT is surfaced as standard MCP tools, it is model-agnostic and requires no client-side modifications.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、事前訓練された知識以上の情報を検索し、推論するために外部ツールを起動する。 Model Context Protocol(MCP)は、そのようなツールがどのようにサーフェスされるかを標準化し、プロキシMCPサーバは、認証、ポリシー施行、可観測性のためのセキュアで規制可能なチョークポイントを提供する単一のエンドポイントの背後にある多くのバックエンドサーバを集約する。 フルツールスキーマがユーザクエリの前にモデルコンテキストウインドウを飽和させるコンテキストエンジニアリングボトルネックと、ユーザとエージェントが200以上のMPPサーバにまたがる2,000以上のインデックスツールの中で最高のツールを識別できないツール発見バリアである。 プロンプトキャッシングは再処理コストを低減するが、コンテキストキャパシティの解放や精度の向上は行わない。 SCOUT(Selective Context Optimization for Universal Tooling)では,ツールの露出をコンテキスト選択問題として再設定し,現在のステップに関連するツールのみを注入する。 SCOUTは2つのMPPメタツール -- tool_search と execute_tool -- ここで tool_search はハイブリッド検索を行い、BM25スパースとReciprocal Rank Fusion による高密度ベクトル検索を融合してトップk関連ツールを返す。 ゼロダウンタイムのカタログ更新パイプラインによってバックアップされたSCOUTは、コンテキスト飽和とツール発見の課題を解決している。 PayPalのプロダクションでは、SCOUTはMPPツールのトーケン使用量を140.2kトークン(コンテキストの70.1%)から1.3kトークン(0.8%)に削減し、99%削減し、企業規模でのクエリ当たりの推論コストを削減した。 SCOUT は標準の MCP ツールとして表面化されているため、モデルに依存しないため、クライアント側の修正は不要である。

関連論文リスト

• Forgotten in Weights, Recovered by Tools: Agentic Tool Unlearning for LLM Agents [54.050506620820784]
  エージェントツールアンラーニング(ATU)は、通常のツール使用を保持しながら、パラメトリックリコールとツールによるリカバリの両方を削減することを目的としている。 ATUは、ツール強化されたエージェントデプロイメント下で、ターゲットの忘れと保持ユーティリティのバランスを向上し、未学習をより堅牢にする。
  論文  参考訳（メタデータ） (2026-08-21T18:34:48Z)
• SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
  大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。 Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。 我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2026-06-15T11:37:37Z)
• HyperTool: Beyond Step-Wise Tool Calls for Tool-Augmented Agents [52.33697136670754]
  textbfHyperToolは、実行可能なMPPスタイルのツールインターフェースで、ツール実行のモデル可視単位を変更する。 モデルはHyperToolをコードブロックで呼び出し、既存のツールを元のスキーマを通じて呼び出し、返却された値を操作し、中間結果をローカルに渡すことができる。 MCP-Universeでは、HyperToolは平均精度をQwen3-32Bで15.69%から35.29%、Qwen3-8Bで9.93%から33.33%に改善し、GPT-OSSとKimi-k2.5を平均で上回っている。
  論文  参考訳（メタデータ） (2026-06-11T17:56:36Z)
• ToolChoiceConfusion: Causal Minimal Tool Filtering for Reliable LLM Agents [0.0]
  そこで本研究では,因果的充足力によるツールの選択を無訓練で行う手法を提案する。 CMTFと全ツール露光,キーワード検索,状態認識フィルタリング,因果パス改善を比較した。 102のタスク、100のツール、4つのLDMバックエンド、2448のタスクメソッドモデルを備えたメインベンチマークでは、CMTFは総合的な成功において最強の因果ベースラインと一致している。
  論文  参考訳（メタデータ） (2026-06-04T15:24:10Z)
• Tool Attention Is All You Need: Dynamic Tool Gating and Lazy Schema Loading for Eliminating the MCP/Tools Tax in Scalable Agentic Workflows [2.2228811750157482]
  私たちは、"Attention Is All You Need"パラダイムを一般化するスケーラブルな層メカニズムであるTool Attentionを紹介します。 シミュレーションした120toolの6サーバベンチマークで、サーバ単位のトークン数を実際のMPPデプロイメントの公開監査に校正する。 ツールアテンションはターン当たりのツールトークンを95.0%(47.3k ->2.4k)に減らし、効果的なコンテキスト利用(トークン比の量)を24%から91%に引き上げる。
  論文  参考訳（メタデータ） (2026-04-23T16:10:00Z)
• Semantic Tool Discovery for Large Language Models: A Vector-Based Approach to MCP Tool Selection [1.2633421050364024]
  ツールコール機能を備えた大規模言語モデル(LLM)は、外部ツール統合による複雑なタスクの実行において、顕著な可能性を示している。 Model Context Protocol (MCP) は LLM を様々なツールセットに接続するための標準化されたフレームワークとして登場した。 本稿では,ベクトルベース検索によるこれらの課題に対処するセマンティックツール発見アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-19T18:10:35Z)
• ToolFlood: Beyond Selection -- Hiding Valid Tools from LLM Agents via Semantic Covering [2.6928305857508974]
  本稿では,ツール拡張型Large Language Model (LLM)エージェントに対する検索層攻撃であるToolFloodを紹介する。 検索後にどのツールが選択されるかを変更するのではなく、ToolFloodは、いくつかのアタッカー制御ツールを注入することで、検索自体を圧倒する。 ToolFloodは、95%のアタック成功率と低インジェクション率を実現している。
  論文  参考訳（メタデータ） (2026-03-14T13:54:49Z)
• ToolRosetta: Bridging Open-Source Repositories and Large Language Model Agents through Automated Tool Standardization [51.92237664440418]
  ToolRosettaは、オープンソースのコードリポジトリとAPIを自動的にMPP互換のツールに変換するフレームワークである。 ユーザタスクが与えられた場合、ToolRosettaはツールチェーンを自律的に計画し、関連するツールチェーンを特定し、実行可能なMPPサービスに変換する。
  論文  参考訳（メタデータ） (2026-03-10T07:19:43Z)
• MCP-Atlas: A Large-Scale Benchmark for Tool-Use Competency with Real MCP Servers [5.463884405989425]
  ツール使用能力評価のための大規模ベンチマークであるMPP-Atlasを紹介する。 これには、現実的で多段階のオーケストレーションにおいて、ツール使用能力を評価するために設計された1000のタスクが含まれている。 モデルの最終回答で満たされた事実に基づく部分的信用を付与するクレームベースのルーブリックを使用してタスクをスコアする。
  論文  参考訳（メタデータ） (2026-01-31T23:19:39Z)
• MCP-Zero: Active Tool Discovery for Autonomous LLM Agents [13.005899769943442]
  ツール発見の自律性を LLM 自体に復元する,アクティブエージェントフレームワークである MCP-Zero を紹介する。 すべての利用可能なツールで圧倒的なモデルを使用する代わりに、CP-Zeroはエージェントが能率ギャップを積極的に識別し、特定のツールをオンデマンドで要求することを可能にする。 公式の Model-Context-Protocol リポジトリから 308 の MCP サーバと 2,797 ツールの包括的なデータセットである MCP-tools を構築した。
  論文  参考訳（メタデータ） (2025-06-01T15:48:53Z)
• Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
  我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。 MeCoは、表現空間内の高レベル認知信号をキャプチャすることで、メタ認知スコアを定量化する。 MeCoは微調整不要で、最小限のコストがかかる。
  論文  参考訳（メタデータ） (2025-02-18T15:45:01Z)
• Re-Invoke: Tool Invocation Rewriting for Zero-Shot Tool Retrieval [47.81307125613145]
  Re-Invokeは、トレーニングなしで大規模ツールセットに効果的にスケールするために設計された教師なしツール検索手法である。 我々は、クエリ毎に最も関連性の高いツールを特定するために、意図に基づいて、新しいマルチビュー類似度ランキング戦略を採用する。 評価の結果、Re-Invokeはシングルツールとマルチツールの両方のシナリオにおいて、最先端の代替よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-03T22:49:27Z)

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。