ToolACE-MCP：从MCP工具推广到Agent Web的历史感知路由

随着Agent Web和模型上下文协议（MCP）的兴起，智能体生态系统正在演变为一个开放协作网络，可访问的工具数量呈指数级增长。然而，当前架构面临严重的可扩展性和通用性瓶颈。为了解决这一问题，我们提出了ToolACE-MCP，一种用于训练具有历史感知能力的路由器的流程，以在大规模生态系统中实现精确导航。通过利用依赖丰富的候选图来合成多轮轨迹，我们有效地训练了具备动态上下文理解能力的路由器，从而创建了即插即用的轻量级路由代理。在真实世界基准MCP-Universe和MCP-Mark上的实验表明其性能优越。值得注意的是，ToolACE-MCP展现出对未来的Agent Web至关重要的特性：它不仅能够通过最小的适应性推广到多智能体协作，还对噪声具有出色的鲁棒性，并能有效扩展到大规模候选空间。这些发现为开放生态系统中的通用调度提供了坚实的实证基础。