AI エージェント向け federated MCP プロキシ Cartograph──ツール発見コストを O(n) から O(k) に削減

論文概要

Model Context Protocol (MCP) を利用する AI エージェントにおいて、接続するツールカタログが拡大するにつれてすべての定義をコンテキストに読み込むコストが肥大化する課題に対し、本論文では federated MCP プロキシ「Cartograph」を提案する。Cartograph はエージェントから見えるツール発見プロセスを $O(n)$ のカタログ走査から $O(k)$ のプログレッシブ・ディスクロージャ（段階的開示）へと変更する。22 サーバー・374 ツールの検証環境において、従来 374 個の定義を露出させていたところを 3 つのプロキシツールのみの露出に抑え、49 件のクエリベンチマークで Jaccard キーワードベースラインの R@5 0.592 に対して 0.816 を記録した。

関連研究

MCP などのプロトコルを用いた AI エージェントのツール利用において、多数のツール定義を効率的に探索・取得する従来手法では、全定義を静的にプロンプトに埋め込むか、単純なキーワード検索に依存していた。これらはカタログの拡大に伴いコンテキストウィンドウの圧迫やトークン消費の増大を招く問題があった。本研究は、サーバー単位とツール単位の 2 段階で階層的にランキングを行う点で先行研究と異なる。

新規性と貢献

本研究の主要な貢献は、デプロイ元のオペレーターが制御・署名する「operator-attested capability cards」の導入と、競合するツール群を診断する 3 層構造の「Rift」解析フレームワークの組み合わせにある。これにより、信頼性の高いメタデータに基づいたサーバー優先の 2 段階検索を実現し、トークン消費量を 42,450 トークンから 475 トークンへ劇的に削減しつつ、高い検索精度（R@5 = 0.816）を維持する点を実証した。

提案手法の詳細

Cartograph は主に以下の 3 つのメカニズムで構成される。

• Operator-attested capability cards: 発行元の広告的記述ではなく、デプロイするオペレーターの管理下で生成され Ed25519 署名が付与された能力記述カード。
• Rift: 密度クラスタリング、クエリマージン分析、トークン診断から成る 3 層の競合クラスタ（confusable-cluster）解析。
• 2 段階検索: ツールそのものではなく、まずサーバー単位でランキングを行い、その後に個別のツールを絞り込む方式。

評価・考察

22 サーバー・374 ツールのデプロイ環境における測定では、トップ 5 のディスカバリー交換でのトークン消費量が従来設計の 42,450 トークンから 475 トークンに削減された。49 件のクエリベンチマークでは R@5 が 0.816 となり、Jaccard キーワードベースラインの 0.592 を大きく上回った。また、Rift は 49 件の競合クラスタを特定し、そのうちブートストラップ生成されたカードにおいて 4 つの HIGH リスククラスタを発見した。さらに、ゲートウェイの測定（10 トライアル）では、直接の stdio MCP 呼び出しと比較して平均レイテンシの増加が 5ms（0.8%）に留まることが確認されている。

応用例と今後の展望

多数のサードパーティ製ツールや社内マイクロサービスを統合する大規模な AI エージェント基盤（金融・医療等のドメインにおける複数 API 統合システムなど）において、コンテキスト長を節約しつつ正確なツール選択を行うための実用的なプロキシレイヤーとして応用できる。今後は、多様な LLM 生成記述の混在が検索精度に与える影響の更なる詳細な検証や、動的な権限管理との統合が課題となる。

結論

Cartograph は、フェデレーテッドな MCP プロキシを通じてツール発見のオーバーヘッドを $O(k)$ へ削減し、Ed25519 署名による信頼性と 2 段階検索による高精度を両立する手法である。大規模化するエージェントエコシステムにおける実用的なスケーラビリティ改善策を提示している。

注釈

• Model Context Protocol (MCP): AI モデルが外部ツールやデータソースに安全にアクセスするためのオープン標準プロトコル。
• R@5 (Recall at 5): 上位 5 件の推薦結果の中に正解のツールが含まれていた割合を示す評価指標。