让大模型指哪打哪的Multi-Agent路由新范式
随着Model Context Protocol（MCP）生态的兴起，一个Assistant背后可能挂着数百个工具/子Agent。
- 把全部工具描述塞进Prompt？→ 4 600+ tokens起步，贵到肉痛。
- 先选Agent再选工具？→ 粗粒度描述经常把“隐藏的宝藏工具”埋没。
- 只拿单工具？→ 多步任务需要的一组工具被活生生拆散。 【AI大模型教程】
作者用一张图点破痛点：
图1：传统“仅Agent”检索（左）vs. Tool-to-Agent统一检索（右）
- 核心思想：把“工具”和“Agent”拉进同一个向量空间
Tool-to-Agent Retrieval（T2A） = 统一向量索引 + 元数据跳转
- 建一张二分图：Agent ↔ 拥有的工具
- 用同一套编码器把Agent描述 & 工具描述都embed进去
- 检索时先拿Top-N（工具+Agent），再通过
owner(·)映射回唯一Agent集合 - 最终返回Top-K Agent，即可单步完成“选工具 or 选Agent”决策
算法伪代码一览：
Algorithm 1：Combined Tool–Agent Top-K Retrieval
- 实验设计：8个编码器 × 95条真实任务 × 527个工具
数据集：LiveMCPBench
- 70个MCP Servers，527 tools，95条多轮用户Query
- 每条Query人工标注2.68步、2.82 tools、1.40 Agents
比较基线：
- BM25
- Q.Retrieval（dense）
- ScaleMCP（2025 SOTA）
- MCPZero（2025 SOTA）
评估指标：Recall@K / mAP@K / nDCG@K，K∈{1,5,10}
- 结果速览：指标全面提升，最高+28%
Table 1：LiveMCPBench主指标
再看8种embedding的稳定性：
Table 2：逐模型对比（Recall@5）
- Amazon Titan v2 提升最猛：0.66 → 0.85（+28%）
- 即使是轻量All-MiniLM-L6也+13%，说明改进来自框架而非大模型
- 消融洞察：工具级信号到底带来了什么？
- 在Top-5返回里，**39%**直接命中Agent描述，**34%**是通过工具→Agent映射召回
→ 证明“工具细节”确实补足了Agent摘要遗漏的语义 - Step-wise Querying（先分解再逐步检索）比Direct Querying平均再+4–6 pts Recall
→ 复杂任务拆步检索依旧有效
https://arxiv.org/pdf/2511.01854Tool-to-Agent Retrieval: Bridging Tools and Agents for Scalable LLM Multi-Agent Systems
