RAG-MCP 深度精讀

系列 · 1 篇

← 返回論文精讀

  • RAG-MCP：用檢索縮小工具發現，但不能忽略路由失敗

    中階 理解檢索、記憶與 Production RAG
    RAG-MCP 深度精讀 · Part 1 · 筆記 · 2026年3月23日 · 論文 · 2025 · NLP

    以論文證據檢視 RAG-MCP 的工具路由流程、11,100 候選壓力測試、MCPBench 結果、規模退化與未釋出 artifact。

    90 秒掌握這篇論文
    問題
    把大量 MCP tool schema 全塞進 prompt，會增加 token、distractor 與錯誤選 tool 的機會。
    核心想法
    先將 MCP metadata 建索引，query 時 retrieve top-k candidate schema，再讓 executor 在小候選集內 validate 與 invoke；retrieval 是 candidate generation，不是授權決策。
    最強證據
    MCPBench web-search 設定中，論文報告 RAG-MCP 的 ground-truth MCP top-1 accuracy 43.13%，對 keyword pre-filter 18.20%、all-schema prompting 13.62%（Section 4.2、Table 1）。
    邊界
    v1 的 retriever metadata、embedding/version、schema drift、permission、p95 latency 與真實 invocation success 未完整公開；top-1 route 不是 task success。
    進入完整精讀

歡迎演講、企業內部技術分享與架構交流；可以先查看我適合分享的主題與公開工程成果。

演講與聯絡