MCP-Cosmos：用于 MCP 环境中复杂任务执行的世界模型增强智能体
人工智能
2026-05-12 v1 多智能体系统
摘要
模型上下文协议(MCP)已统一了大型语言模型(LLM)与外部工具之间的接口，但智能体如何概念化其中所处环境仍存在根本性鸿沟。当前范式存在两种根本性局限：任务级规划往往忽视执行时的动态特性，而反应式执行又缺乏长期目标前瞻。我们提出 MCP-Cosmos，一个将生成式世界模型(World Model)融入 MCP 生态系统以实现预测性任务自动化的框架。通过统一 MCP、世界模型和智能体三种异构技术，我们演示了“随意选择世界模型”(BYOWM)策略允许智能体在执行前在潜在空间中模拟状态转换并细化计划。我们使用两种策略(即 ReAct 和 SPIRAL)，结合 2 个规划模型和 3 个代表性世界模型，对 20+ 个 MCP-Bench 任务进行实验。我们观察到智能体环境交互关键绩效指标(KPI)如工具成功率和工具参数准确率均得到改善。该框架还提供了诸如 Execution Quality 等新指标，以深化对世界模型相较于基线有效性的洞见。
引用
@article{arxiv.2605.09131,
title = {MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments},
author = {Giridhar Ganapavarapu and Dhaval Patel},
journal= {arXiv preprint arXiv:2605.09131},
year = {2026}
}