ToolACE-MCP: MCP 도구에서 에이전트 웹으로의 이력 인식 라우팅 일반화

ToolACE-MCP: Generalizing History-Aware Routing from MCP Tools to the Agent Web

에이전트 웹(Agent Web)과 모델 컨텍스트 프로토콜(MCP)의 부상으로 에이전트 생태계는 개방형 협업 네트워크로 진화하고 있으며, 접근 가능한 도구의 수가 기하급수적으로 증가하고 있습니다. 그러나 현재의 아키텍처는 심각한 확장성 및 일반화 병목 현상에 직면해 있습니다. 이를 해결하기 위해 본 논문에서는 대규모 생태계에서 정밀한 탐색을 지원하는 이력 인식(history-aware) 라우터 훈련 파이프라인인 ToolACE-MCP를 제안합니다. 의존성이 풍부한 후보 그래프(candidate Graph)를 활용하여 다중 턴 궤적을 합성함으로써, 동적 문맥 이해 능력을 갖춘 라우터를 효과적으로 훈련시켜 플러그 앤 플레이 방식의 경량 라우팅 에이전트(Light Routing Agent)를 생성합니다. 실제 벤치마크인 MCP-Universe와 MCP-Mark에서의 실험을 통해 우수한 성능을 입증하였습니다. 특히 ToolACE-MCP는 미래 에이전트 웹을 위한 핵심적인 특성을 보여줍니다. 최소한의 조정만으로 다중 에이전트 협업으로 일반화될 뿐만 아니라, 노이즈에 대한 뛰어난 강건성을 유지하고 방대한 후보 공간으로도 효과적으로 확장됩니다. 이러한 결과는 개방형 생태계에서의 보편적 오케스트레이션을 위한 강력한 경험적 토대를 제공합니다.

With the rise of the Agent Web and Model Context Protocol (MCP), the agent ecosystem is evolving into an open collaborative network, exponentially increasing accessible tools. However, current architectures face severe scalability and generality bottlenecks. To address this, we propose ToolACE-MCP, a pipeline for training history-aware routers to empower precise navigation in large-scale ecosystems. By leveraging a dependency-rich candidate Graph to synthesize multi-turn trajectories, we effectively train routers with dynamic context understanding to create the plug-and-play Light Routing Agent. Experiments on the real-world benchmarks MCP-Universe and MCP-Mark demonstrate superior performance. Notably, ToolACE-MCP exhibits critical properties for the future Agent Web: it not only generalizes to multi-agent collaboration with minimal adaptation but also maintains exceptional robustness against noise and scales effectively to massive candidate spaces. These findings provide a strong empirical foundation for universal orchestration in open-ended ecosystems.