AWS 发布 MCP 工具设计实践文章，聚焦上下文膨胀与工具调用取舍

AWS 于美国太平洋时间 2026 年 7 月 9 日在 AWS Machine Learning Blog 发布《MCP tool design: Practical approaches and tradeoffs》，围绕 Model Context Protocol 工具设计公开介绍在大语言模型接入阶段常见的上下文膨胀、工具混淆与参数误用问题，并给出多种面向企业落地的改进方案。

公开页面显示，这篇文章发布时间为美国太平洋时间 2026 年 7 月 9 日 08:40:16，对应北京时间 2026 年 7 月 10 日 00:40:16。AWS 在文中表示，MCP 工具调用表现不佳时，问题通常不在协议本身，而在工具设计方式与上下文工程处理不当。

官方将问题归纳为上下文膨胀与工具混淆

AWS 在文章中指出，许多团队会先把现有 API 直接暴露为 MCP 工具，再交由代理系统自行选择调用方式。这种做法在简单场景下可以运行，但在复杂任务中容易出现两类问题：一类是工具定义长期占用上下文窗口，导致有效推理空间被压缩；另一类是模型在工具选择、参数填写与重试环节出现混淆，进一步消耗上下文并降低结果质量。

文章写到，当多个 MCP 服务器同时接入客户端时，即便用户尚未发起具体任务，工具说明本身也可能先占据大量上下文。随着上下文持续增长，模型推理质量会下降，继而出现错误工具调用、参数值偏差和无效重试。

提出精简返回、约束参数与按需加载等设计办法

AWS 在这篇官方文章中给出的改进方法包括：对工具描述进行更明确的自然语言映射，但避免无节制扩写；缩减单次返回字段，只保留决策必需信息，把详细结果改为按需拉取；为错误响应提供明确可执行的修正提示；在 schema 层引入 enum、默认值等限制，减少模型猜测空间。

文章同时提到，可以把多用途工具拆分为更具体的子工具，或者通过 lazy loading discovery tool 将复杂工具说明移出默认上下文，仅在需要时再加载。AWS 在文中引用 Anthropic 的相关研究，称仅在相关时加载工具定义，可显著减少 token 消耗。

讨论 introspection 与 agent-backed MCP server 两种更深层方案

AWS 进一步介绍了 introspection tool 和 agent-backed MCP server 两类方案。前者通过单独的外部模型先解释用户自然语言需求，再为客户端模型返回针对性的工具使用说明；后者则把整个 MCP 服务端建立在自有代理之上，让客户端把需求直接发送为自然语言请求，由服务端代理负责解释、规划与调用。

官方说明，这两类方案能在工具可控性与精度上提供更高保障，但对应的系统复杂度、模型成本与维护责任也会同步提升。文章将这些设计取舍定义为上下文工程问题，并强调需要在上下文膨胀与工具混淆之间平衡。

配套样例使用 K-12 内容检索后端演示差异

AWS 在文章后半部分给出六个样例版本，均封装同一套 K-12 内容检索后端，但采用不同 MCP 工具设计方式，让开发者可以对比原始透传、描述增强、结构拆分和按需加载等路径的行为差异。AWS 表示，这些样例可在本地运行，并通过 Kiro CLI 进行测试。

文章作者为 Daniel Doubrovkine、Aidan Steele、Carlos Conde 及 Zdravko Mladenov，来源为 AWS Machine Learning Blog 官方公开信息。该文被归入 Amazon Bedrock 与生成式 AI 实践内容，用于介绍企业在智能代理工具接入阶段的工程化设计方法。