MCP-Flow：促进LLM代理掌握真实世界、多样且可扩展的MCP工具
人工智能
2026-04-17 v3
摘要
大型语言模型（LLM）越来越依赖外部工具以执行复杂的真实任务，但其在利用快速扩展的模型上下文协议（MCP）生态系统方面的能力仍有限。现有MCP研究覆盖的服务器有限，依赖高成本的手动策展，缺乏训练支持，阻碍了向实际部署迈进。为克服这些限制，我们引入MCP-Flow，一个由自动化Web智能体驱动的大规模服务器发现、数据合成和模型训练管道。MCP-Flow从1166个服务器和11536个工具中收集并筛选数据，产生68733个高质量指令-函数调用对和6439条轨迹，远超先前工作在规模和多样性方面的表现。广泛的实验表明，MCP-Flow在驱动更优的MCP工具选择、函数调用生成以及增强代理任务性能方面效果显著。MCP-Flow因此为推进LLM代理在真实世界MCP环境中的熟练程度提供了可扩展的基础。MCP-Flow已公开于https://github.com/wwh0411/MCP-Flow。
引用
@article{arxiv.2510.24284,
title = {MCP-Flow: Facilitating LLM Agents to Master Real-World, Diverse and Scaling MCP Tools},
author = {Wenhao Wang and Peizhi Niu and Zhao Xu and Zhaoyu Chen and Jian Du and Yaxin Du and Xianghe Pang and Keduan Huang and Yanfeng Wang and Qiang Yan and Siheng Chen},
journal= {arXiv preprint arXiv:2510.24284},
year = {2026}
}
备注
ACL 2026 Main, Camera Ready