본 논문은 사전 정의된 도구 스키마를 프롬프트에 주입하는 기존의 대규모 언어 모델(LLM) 에이전트의 한계를 극복하기 위해, LLM이 도구를 스스로 발견하고 사용할 수 있도록 하는 능동적 에이전트 프레임워크인 MCP-Zero를 제시합니다. MCP-Zero는 에이전트가 능력 부족을 스스로 파악하고 필요에 따라 특정 도구를 요청하도록 함으로써, LLM을 단순한 검색기에서 진정한 자율 에이전트로 변모시킵니다. 이를 위해 능동적 도구 요청, 계층적 의미론적 라우팅, 그리고 반복적 능력 확장이라는 세 가지 핵심 메커니즘을 사용합니다. 308개의 MCP 서버와 2,797개의 도구로 구성된 MCP-tools 데이터셋을 활용하여 실험한 결과, MCP-Zero는 에이전트의 자율성을 유지하면서 상당한 효율성 향상을 달성했습니다. 특히, 약 3,000개의 후보 도구 중에서 정확하게 도구를 선택하고, 토큰 소모량을 크게 줄이며, 도구 생태계 성장에 따라 일관된 다회전 성능을 보여주는 것으로 나타났습니다. 본 연구는 확장 가능한 자율 에이전트 시스템을 위한 기본 설계 패턴으로서 능동적 도구 발견의 중요성을 보여줍니다.
