Cartograph
arXiv发表的学术论文，提出针对MCP的联邦式代理工具发现方案，通过渐进式披露、能力卡片签名和混淆聚类分析机制，大幅降低AI智能体工具发现的token开销并提升检索准确率
时间轴 (近 90 天)
Cartograph 是一个针对 Model Context Protocol（MCP）的联邦式代理方案，旨在重构AI智能体的工具发现机制
在一个包含22台服务器、374个工具的部署环境中，Cartograph 对智能体只暴露3个代理工具，而非374个完整定义
论文测量的一次top-5发现交互仅使用475个token，而在全目录核算方式下同样操作需要约42,450个token
Cartograph 将工具发现过程从 O(n) 的全目录遍历降为 O(k) 的渐进式披露
Cartograph 的实现建立在三个机制之上：运营方背书的能力卡片、Rift混淆聚类分析和两阶段检索
Cartograph 的能力卡片采用 Ed25519 签名，由部署运营方生成，而非直接采用工具发布者的官方描述
Rift 是一套三层的可混淆聚类分析，包括密度聚类、查询边际分析和token诊断
Cartograph 采用两阶段检索：先对服务器进行排序，再对具体工具排序
在作者构建的49条查询基准评估中，Cartograph 的 R@5 达到0.816，而基于Jaccard关键词匹配的基线仅为0.592
相较于直接的stdio MCP调用，Cartograph网关在十次试验中平均仅增加5ms（约0.8%）的延迟
还有 3 条时间轴事件
全部知识事实 (13)
Cartograph 是一个针对 Model Context Protocol（MCP）的联邦式代理方案，旨在重构AI智能体的工具发现机制
50%待验证在一个包含22台服务器、374个工具的部署环境中，Cartograph 对智能体只暴露3个代理工具，而非374个完整定义
50%待验证论文测量的一次top-5发现交互仅使用475个token，而在全目录核算方式下同样操作需要约42,450个token
50%待验证Cartograph 将工具发现过程从 O(n) 的全目录遍历降为 O(k) 的渐进式披露
50%待验证Cartograph 的实现建立在三个机制之上：运营方背书的能力卡片、Rift混淆聚类分析和两阶段检索
50%待验证Cartograph 的能力卡片采用 Ed25519 签名，由部署运营方生成，而非直接采用工具发布者的官方描述
50%待验证Rift 是一套三层的可混淆聚类分析，包括密度聚类、查询边际分析和token诊断
50%待验证Cartograph 采用两阶段检索：先对服务器进行排序，再对具体工具排序
50%待验证在作者构建的49条查询基准评估中，Cartograph 的 R@5 达到0.816，而基于Jaccard关键词匹配的基线仅为0.592
50%待验证相较于直接的stdio MCP调用，Cartograph网关在十次试验中平均仅增加5ms（约0.8%）的延迟
50%待验证实验发现使用119条LLM生成的描述能消除观察到的零距离聚类，但混合不同卡片生成机制反而可能降低R@5
50%待验证论文强调Cartograph与代码执行类方案是互补关系而非替代，Cartograph关注发现与可信溯源层面
50%待验证Cartograph 的基准仍属作者自建、规模有限，实际落地效果仍需更广泛的验证
50%