论文
从语言到行动：通过任务感知 MCP 服务器建议提高 LLM 任务效率
From Language to Action: Enhancing LLM Task Efficiency with Task-Aware MCP Server Recommendation
摘要
模型上下文协议 (MCP) 生态系统的快速扩展使基于 大语言模型 (LLM) 的代理能够通过标准化接口访问各种外部工具。然而，为特定的开发任务确定合适的 MCP 服务器仍然具有挑战性。现有的研究主要集中在衡量 MCP 生态系统或优化工具调用机制，而系统的推荐框架和现实世界开发任务的可重复基准在很大程度上仍未得到探索。为了解决这个限制，我们将面向任务的 MCP 服务器推荐制定为联合考虑语义相关性和工程约束的结构化检索和排名问题。我们首先构建 Task2MCP，这是一个以任务为中心的数据集，它将基于分类的开发任务与策划的 MCP 服务器系统地关联起来。该数据集为 MCP 工具建议的研究提供了结构化监督和可重复的评估环境。在此数据集的基础上，我们提出了 T2MRec，一种任务到 MCP 服务器的推荐模型。它对语义相关性和结构兼容性进行建模以构建初始候选集。然后，它通过基于质心的候选扩展和基于约束的 LLM 重新排名来提高覆盖范围和排名质量。此外，我们设计并实现了一个交互式 MCP 服务器推荐代理原型，该原型在对话环境中运行以支持动态决策。该代理通过提供推荐的 MCP 服务器以及使用指南，帮助开发人员有效评估和集成工具。