论文页面 - MCP-Cosmos：通过世界模型增强在 MCP 环境中执行复杂任务的智能体

来源：https://huggingface.co/papers/2605.09131

摘要

MCP-Cosmos 将生成式世界模型（World Models）集成到模型上下文协议（Model Context Protocol）生态系统中，通过潜在空间（latent space）中的预测模拟来增强智能体的规划与执行能力。

模型上下文协议（Model Context Protocol）(https://huggingface.co/papers?q=Model%20Context%20Protocol)（MCP）统一了大型语言模型（Large Language Models）(https://huggingface.co/papers?q=Large%20Language%20Models)（LLM）与外部工具之间的接口，然而，智能体如何概念化其操作所处的环境这一根本性差距仍然存在。当前的范式呈现两极分化：任务级规划往往忽略执行时的动态变化，而反应式（reactive）(https://huggingface.co/papers?q=react)执行则缺乏长远的前瞻性。我们提出了 MCP-Cosmos，这是一个将生成式世界模型（World Models）(https://huggingface.co/papers?q=generative%20World%20Models)（WM）注入 MCP 生态系统以实现预测性任务自动化（task automation）(https://huggingface.co/papers?q=task%20automation)的框架。通过统一三项不同的技术，即 MCP、世界模型和智能体，我们证明了“自带世界模型”（Bring Your Own World Model，BYOWM）(https://huggingface.co/papers?q=BYOWM) 策略允许智能体在执行之前在潜在空间（latent space）(https://huggingface.co/papers?q=latent%20space) 中模拟状态转移并完善计划。我们使用两种策略，即 ReAct (https://huggingface.co/papers?q=ReAct) 和 SPIRAL (https://huggingface.co/papers?q=SPIRAL)，结合 2 个规划模型和 3 个代表性世界模型，在 20 多个 MCP-Bench 任务上进行了实验。我们观察到智能体与环境交互的关键绩效指标（KPI）有所提升，例如工具成功率（tool success rate）(https://huggingface.co/papers?q=tool%20success%20rate) 和工具参数准确率（tool parameter accuracy）(https://huggingface.co/papers?q=tool%20parameter%20accuracy)。该框架还提供了诸如执行质量（Execution Quality）(https://huggingface.co/papers?q=Execution%20Quality) 等新指标，以生成关于世界模型相较于基线有效性的新见解。

查看 arXiv 页面 (https://arxiv.org/abs/2605.09131) 查看 PDF (https://arxiv.org/pdf/2605.09131) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.09131)

在智能体中获取此论文：

hf papers read 2605\.09131

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2605.09131 以从此页面链接它。

引用此论文的数据集 0

没有链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2605.09131 以从此页面链接它。

引用此论文的 Spaces 0

没有链接此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2605.09131 以从此页面链接它。

包含此论文的集合 1