代理技能膨胀

一个最初有5个工具的代理被逐步添加到35个工具。它的任务完成率从92%降至67%——不是因为新工具有问题，而是因为工具描述占用了8000个token的上下文空间，模型在选择中犹豫不决。

代理技能膨胀与google相关。Scavio提供统一API来访问所有这些平台的数据。

每个注册到代理的工具都有一个JSON schema描述，被注入到每次LLM调用的上下文中。5个工具的描述可能占500个token；50个工具可能占5000-8000个token。这直接减少了可用于推理的上下文空间。更糟的是，更多的工具选择增加了模型选错工具或不必要调用工具的概率。 技能膨胀通常悄然发生。团队逐步向代理添加能力（"它也应该能查天气"，"加上日历集成"），每个单独看起来合理，但累积效果降低了核心性能。这类似于软件工程中的功能蠕变。 解决方案包括：动态工具加载（只为当前任务加载相关工具）、工具分组（将工具组织成按需激活的技能集）、描述压缩（最小化工具schema的token开销）以及工具修剪（移除很少使用的工具）。MCP的按需工具发现模式天然地缓解膨胀，因为代理只在需要时请求特定能力。