跳到正文
只看论文#MCP/工具调用
10月29日周四
10月24日周六
  1. Rohan Paul52

    Meta 与卡内基梅隆的论文提出用强化学习训练小型开源模型做工具选择，把请求拆成步骤、用关键词搜索并逐步选出工具。在 ToolBench 上，训练后的 Qwen3-8B 精确选中正确工具的比例为 41.5%，高于 Llama-4-Maverick（402B）最佳提示词设置的 30.6%；无需重新训练即在 4 个新工具基准中的 3 个上超过 Maverick，且换更强检索器后表现继续提升。

10月15日周四
  1. 公众号：小红书技术48

    小红书 AllSpark 提出 CompoWorld：用组合式环境扩展通用 Agent 训练

    小红书 AllSpark 团队提出 CompoWorld，通过组合可复用服务来扩展通用 Agent 的训练环境与任务空间，构建了 448 个服务、10,130 个工具。团队用 3K 条 SFT 轨迹和 1K 个 RL 任务训练 Qwen3.6-35B-A3B，在八项 Agent 基准上平均提升 9.17 分，AutomationBench 成功率从 10.33% 升至 32.33%。

10月6日周二
  1. Ars Technica：AI59

    MCP 智能体通信协议曝结构性缺陷，Google 等五机构确认相关漏洞

    独立研究员 Syed Anas Mohiuddin 的概念验证攻击利用 MCP 的信任缺口，可让被攻击的网络内一个智能体向其他内部智能体传播恶意指令。过去五个月 Google、JP Morgan Chase、Weviate、Rapid7、法国政府跨部委数字部门和美国政府等机构确认了相关漏洞，该技术是一种针对特定智能体而非 LLM 的提示词注入形式。

9月29日周二
9月17日周四
9月3日周四
  1. Cohere Labs：官方研究博客65

    Cohere Labs 发布 ATE 数据集：69.6 万 MCP 工具中仅 2.6% 能完整执行职业任务

    Cohere Labs 聚合七个公开目录，构建含 696,291 个工具、123,069 个 MCP 服务器的 Agentic Task Ecosystem 数据集并对外开放。

    推荐理由：研究用近 70 万个 MCP 工具构建供给侧数据集，给出自动化落在职业哪个环节的证据，可与曝光度研究互补阅读。

8月29日周六
  1. Apple Machine Learning Research44

    Agent Seer：从工具规格理解中合成评测场景

    Agent Seer 提出一种无需人工构建或实时执行工具即可合成评测场景的方法，利用函数名、自然语言描述和类型化参数模式等工具规格中的语义信息，生成能反映从业者组合工具与多轮迭代的真实测试场景。该方法旨在解决手工构建场景依赖领域专家、难以跨工具生态扩展且静态基准无法跟踪 API 演进的问题。

8月27日周四
  1. Apple Machine Learning Research51

    PROOF-Gen：从优化数据到更好的知识蒸馏

    PROOF-Gen提出用优化后的数据改进工具调用能力的知识蒸馏。在τ²-bench上，教师模型57%的试运行失败，其中三分之二是近失（大部分工具调用正确），而传统生成-过滤流程因失败不提供信号，每轮都会遗留相同的难题。该方法通过利用失败信号优化数据，提升蒸馏效果。

8月15日周六
7月31日周五
  1. OpenBMB75

    面壁智能与清华NLP团队提出ALIGN，自动生成对齐接口解决智能体与环境间的失配问题。仅改写反馈措辞即可将Qwen2.5-7B智能体在ALFWorld上的成功率从13.4%提升至31.3%。该方法在四个基准上最高提升45.67%成功率，并减少65%连续无效动作，且接口可跨智能体架构和LLM骨干迁移。

    推荐理由：做 agent 的人都知道环境对齐是个隐形的坑，这篇论文不仅把问题讲透了，还给了开箱即用的 wrapper，ALFWorld 上成功率从 13% 拉到 31%，原因只是改写了反馈措辞，我觉得这是今年 agent 工程最被低估的发现。

7月16日周四
  1. Apple Machine Learning Research52

    Apple 提出 LLM 函数调用不确定性量化方法

    Apple 机器学习研究团队提出一种针对大语言模型函数调用的不确定性量化方法，旨在提升 LLM 在自主任务执行中的可靠性。该方法通过量化模型对函数调用参数和决策的置信度，帮助识别潜在错误调用。该研究目前处于学术探索阶段，未公布具体模型版本或开源计划。

7月11日周六
  1. PromptArmor：Threat Intelligence64

    PromptArmor 研究：Claude 与 ChatGPT 连接器持续变更带来治理风险

    PromptArmor 自 5 月中旬至 6 月底追踪 Claude 和 ChatGPT 的第三方连接器，发现 2517 个连接器中 931 个发生了能力或权限变更，新工具、权限范围、注入指令等在审批后持续漂移且缺乏重新确认机制。

    推荐理由：研究用一手监测数据量化了连接器审批后的能力漂移，读者可据此重新评估组织的连接器治理流程。

7月2日周四
  1. Rohan Paul69

    该论文指出，MCP服务器设计不同于普通API，因为LLM通过纯语言描述选择工具，过多或模糊的工具会导致混淆。作者归纳了5种实际模式（如暴露数据、运行工作流、保持会话状态、组合服务器、翻译混乱领域API），并警告4个常见错误（大而全工具、模糊描述、不安全外部内容、慢工具应返回job ID）。在54个额外服务器上测试发现，弱模型在可见工具超过10-15个时准确率降至90%以下。良好MCP设计的核心是使工具列表小巧、清晰、安全且稳定。

5月29日周五
  1. The Decoder：AI News61

    新综述论文认为：代码是AI智能体的思考与行动方式，而非仅仅是其产出

    一篇新综述论文提出，自主AI智能体的真正瓶颈并非语言模型本身，而是工具、内存、测试与权限边界等构成的软件层。这一“约束层”将无状态模型转化为能行动的工作智能体。DeepSeek已在北京组建专门的Harness团队，其“模型加约束层等于AI智能体”的公式印证了该观点。

5月1日周五
  1. Apple Machine Learning Research64

    强化智能体：面向工具调用智能体的推理时反馈机制

    本文提出一种将评估机制嵌入工具调用智能体实时执行循环的新方法。通过引入一个专门的评审员智能体，在推理时对主智能体的中间决策轨迹进行即时评估，并生成结构化反馈。这使得主智能体能在单次运行中动态调整其工具选择与参数调用，无需依赖传统的提示调整或模型重训练。该实时干预机制旨在直接纠正错误，提升了工具使用的准确性与可靠性，突破了传统后验评估无法在运行中修正行为的局限。本工作已被ACL 2026的自然语言生成、评估与指标研讨会接收。

    推荐理由：Apple 把评估嵌进 agent 执行循环，不是事后分锅，而是让 reviewer 实时纠错，这对 tool-calling 类应用是个真方向，做 agent 架构的值得细读。

4月28日周二
  1. Rohan Paul47

    本文综述多工具LLM智能体的进展，指出其核心失败原因在于长时间协调多个工具的可靠性不足，而非单次工具调用。论文将多工具编排视为独立问题，要求智能体处理工具的选择、排序、监控与重试。作者从运行时规划、训练数据与调优、安全性、效率、缺失工具处理及更复杂的交互任务基准六个领域回顾现状。关键发现是，进展更依赖于图式规划、记忆、验证、回滚以及更好的长周期工具使用评估方法，而非单次调用准确性。当前研究与基准正从简单的单次调用测试转向更贴近现实、要求智能体在长工具链中保持可靠性的硬任务测试。

3月26日周四
  1. 英国 AI Security Institute：Blog72

    英国 AI Security Institute 分析 177,000 个 AI Agent 工具的使用情况

    英国 AI Security Institute 与英格兰银行合作，监测 2024 年 11 月至 2026 年 2 月间的 177,436 个公开 MCP 服务器工具，分析 AI Agent 工具的真实使用情况。

    推荐理由：基于 177,000 个 MCP 工具的一手数据分析，展示了智能体工具从感知向行动、向不受控环境迁移的趋势和地区分布。

2025年8月3日周日
2025年6月25日周三
2025年1月8日周三
  1. Cato AI Labs：AI安全原创研究72

    Aim Labs 披露 Cursor IDE 的 CurXecute 漏洞，可经 MCP 提示词注入实现 RCE（CVE-2025-54135）

    Aim Labs（Cato）披露 Cursor IDE 的高危漏洞 CurXecute（CVE-2025-54135，评分 8.6），外部托管的一条提示词注入可静默改写 ~/.cursor/mcp. 并以用户权限执行任意命令，实现 RCE。

    推荐理由：原文给出完整的提示词注入到 RCE 攻击链细节和漏洞机理，读者可以据此审视 MCP 类 Agent 的运行时防护。