核心概念

Lumer 等人（2026）的調查論文，聚焦於 LLM Agent 在生產環境裡如何挑選外部工具與協作代理。論文的出發點是：Agent 已能呼叫函式、工具、MCP 伺服器與其他 Agent，但產業變化速度很快，既有研究未必能反映真正部署時的選擇問題。工具選對只是開場；能否在大量工具、權限與延遲限制下穩定完成任務，才是上線後的正題。

摘要翻譯

大型語言模型代理已展現出與外部工具、函式、Model Context Protocol（MCP）伺服器及其他代理互動的能力。由於產業快速演進，現有文獻未能準確呈現工具與代理選擇的最新狀況。本研究首次從生產觀點細緻檢視工具選擇，區分兩個層次：前端層中，使用者透過按鈕、斜線指令或自然語言與 Agent 互動；後端層中，檢索、執行、協調與記憶共同支撐可擴展的推理流程。

論文提出現代工具與代理選擇方法的統一分類法，並以生產導向框架涵蓋動態工具檢索、脈絡管理、執行與協調等環節。註：本次週報提供的英文摘要在「contex」處截斷；以上翻譯僅涵蓋可取得段落，未補寫未提供的原文內容。

方法論亮點

把「使用者選擇」與「系統選擇」拆開

前端層關心使用者怎麼表達意圖：按鈕與斜線指令較明確，自然語言則彈性高但歧義也高。後端層則處理 Agent 如何從能力庫找到可用工具、填入參數、執行後解析結果，並在多代理環境分配工作與保留可重用的互動記憶。這個拆分避免把所有失敗都歸咎於模型「不夠聰明」。

從靜態清單轉向動態發現

當工具與代理數量增加，將所有描述直接塞進提示詞會消耗脈絡預算，也提高錯選機率。論文將動態工具檢索列為生產導向框架的重點：先依任務語意縮小候選集合，再決定實際呼叫對象。這與 Agentic Resource Discovery：讓 AI Agent 動態搜尋工具與能力 所描述的「發現層」概念互補：前者整理選擇問題，後者提供把能力發現從靜態設定移出的協議實作方向。

對實務的意義

對 Agent 團隊而言，工具選擇不應被視為單次 function calling，而是一條可觀測、可治理的決策鏈。實作上可先建立工具的能力描述、風險等級與輸入輸出契約；執行時以任務檢索縮小候選範圍；高風險操作則加入權限、確認與稽核。這正呼應 AI Agent 生產環境防線：最小權限與稽核控制：即使選對工具，也不代表應無條件放行。

多代理情境還多了一層「先選誰、再選什麼工具」的路由問題。多 Agent 系統協作架構：MCP 與 A2A 協議 可作為協議面的延伸閱讀；MCP-Atlas：大規模 MCP 真實伺服器工具使用能力基準測試 則提醒，真實 MCP 生態的工具使用能力需要在接近實務的環境測量，而非只看小型、封閉的示範任務。

與現有知識的連結

這篇調查將 AI Agent 設計模式 中的工具使用模式，推進到部署層的選型與治理問題。其核心啟示不是「讓模型記住更多工具」，而是設計一個能隨任務動態發現、選擇、驗證與記錄能力的系統。模型負責推理；系統則必須把脈絡、權限與失敗成本管好。兩邊少一邊，Agent 都容易在正式環境裡表演失誤。

反向連結

以下頁面引用了本頁：