要使用 MCP-Zero 项目，您可以按照以下步骤进行安装、配置和运行，以实现 LLM 代理的主动工具发现 功能。

一、环境准备

1. 安装 Python 和依赖库

确保您已安装 Python 3.8+，并使用以下命令安装依赖库：

2. 配置环境变量

您可能需要设置一些环境变量，例如 API 密钥 或 模型路径。可以在 .env 文件中进行配置：

二、数据集准备

1. 构建工具数据集

MCP-Zero 提供了一个 预处理的工具数据集，包含 308 个服务 和 2797 个工具。如果您需要更新或扩展数据集，可以使用以下命令重新构建：

这将从 MCP-tools/README 文件中提取工具元数据，并生成 语义嵌入向量。

三、核心功能使用

1. 初始化 MCP-Zero

首先，初始化 MCP-Zero 实例：

2. 工具匹配

使用 Matcher 模块进行工具语义匹配：

这将返回与任务相关的工具列表，包括 工具名称、描述 和 语义相似度得分。

3. 动态工具链构建

构建完成任务所需的工具链：

这将自动组合跨服务器的工具，形成完整的工作流。

四、工业级部署

1. 部署 MCP 服务器

如果您需要在生产环境中部署 MCP 服务器，可以参考 deploy/ 目录中的部署指南：

这将启动一个 动态 MCP 服务器，支持工具的实时更新和查询。

2. 部署大模型

MCP-Zero 集成了 Qwen2.5-72B-Instruct 模型，用于增强 LLM 的工具理解能力。您可以使用以下命令启动模型：

这将使用 VLLM 框架启动模型，并提供 API 接口供 MCP-Zero 调用。

五、实验验证

MCP-Zero 提供了多个实验脚本，用于在 APIBank 和 MCP 数据集上验证工具发现效果：

这些脚本将评估 MCP-Zero 在不同数据集上的工具匹配准确率和效率。

六、提示工程优化

为了进一步提升 LLM 的工具理解能力，MCP-Zero 提供了 提示工程 模块：

这将生成针对特定任务的优化提示，帮助 LLM 更好地理解和使用工具。

七、扩展和定制

如果您需要扩展或定制 MCP-Zero，可以：

• 添加新工具：更新 MCP-tools/README 文件，并重新运行 build_data.py。
• 自定义匹配算法：修改 matcher.py 中的匹配逻辑。
• 集成其他 LLM：修改 run_vllm.sh，以使用其他大模型。

八、学术资源

如果您对 MCP-Zero 的学术背景感兴趣，可以参考以下资源：

• 论文：MCP-Zero: Active Tool Discovery for Autonomous LLM Agents (arXiv 2025)
• 项目文档：GitHub README
• 社区支持：GitHub Discussions

通过以上步骤，您可以成功安装、配置和使用 MCP-Zero，为您的 LLM 代理添加强大的 主动工具发现 能力，实现更复杂的任务自动化。如果您在使用过程中遇到任何问题，欢迎在 GitHub Issues 中提出，项目团队将及时提供支持。