Nous Research a lancé Tool Search pour Hermes Agent : la précision a augmenté de 49 à 74 % sur Opus 4

Nous Research a présenté une mise à jour pour Hermes Agent — en ajoutant une fonctionnalité Tool Search qui résout un problème de longue date pour les agents d'IA travaillant avec MCP (Model Context Protocol). La nouvelle approche permet à l'agent de sélectionner uniquement les outils pertinents au lieu de charger la description complète de tous les outils disponibles dans le contexte.

Surcharge de Contexte en MCP

Lorsqu'un agent d'IA interagit avec un système d'outils via MCP, l'approche traditionnelle nécessite de charger les descriptions de tous les outils disponibles dans le contexte du modèle dès le départ. S'il y a trente, cinquante ou cent outils, et que chacun a des descriptions détaillées des paramètres et des exemples d'utilisation, cela devient rapidement un problème : le contexte gonfle, les tokens s'épuisent avant le nécessaire, et le modèle lui-même peut se perdre dans des océans d'informations. Nous Research a remarqué ce goulot d'étranglement et a décidé d'appliquer une approche classique de la récupération d'informations — le classement BM25.

C'est un algorithme de recherche en texte intégral qui tient compte de la pertinence d'un document (dans ce cas, une description d'outil) par rapport à la requête de l'utilisateur. Au lieu de charger le catalogue entier, le système recherche désormais les outils les plus appropriés et transmet progressivement leurs schémas au contexte.

Comment Tool Search Fonctionne en Pratique

La mécanique est simple mais efficace. Lors de l'initialisation de l'agent, le système indexe les métadonnées de tous les outils disponibles — leurs noms, descriptions et objectifs. Lorsqu'un utilisateur donne une commande, l'agent ne regarde pas la liste complète, mais cherche d'abord les K outils principaux pertinents pour la requête :

• Première étape : exécuter une recherche BM25 sur les noms et descriptions des outils
• Deuxième étape : charger les schémas brefs pour les résultats principaux dans le contexte du modèle
• Troisième étape : si nécessaire, révéler les paramètres complets uniquement pour l'outil sélectionné
• Résultat : le contexte reste gérable, l'agent choisit plus précisément

Cet arrangement résout plusieurs problèmes à la fois : la taille du contexte est réduite, la vitesse de fonctionnement est améliorée, et surtout — la précision de la sélection de l'outil augmente, car le modèle ne se distrait pas avec des options non pertinentes.

Chiffres d'Anthropic

Nous Research a testé Tool Search sur les références standards Anthropic Evals et a obtenu des résultats qui méritent d'être mentionnés. Sur le modèle Claude Opus 4, l'amélioration de la précision était de 49% à 74% selon le type de tâche et l'ensemble d'outils. Ce n'est pas simplement du bruit statistique — c'est une amélioration significative qui montre que restreindre le contexte aux outils pertinents aide vraiment le modèle à mieux se concentrer sur le bon choix. Fait intéressant, l'effet est plus notable précisément avec de grands ensembles d'outils — plus il y a d'options à choisir, plus grand est le bénéfice du filtre intelligent.

Ce Que Cela Signifie pour les Agents d'IA

Tool Search est un petit mais révélateur exemple de comment la gestion appropriée du contexte peut être plus importante que la puissance brute du modèle. Plutôt que de simplement augmenter la fenêtre de contexte, il suffit parfois d'aborder plus intelligemment les informations à charger dans ce contexte. Cela s'applique non seulement à MCP, mais aussi aux systèmes RAG, aux intégrations d'API, aux systèmes d'automatisation où l'agent doit choisir parmi de nombreuses options d'action. À mesure que la complexité des systèmes d'IA augmente, ces optimisations deviendront de plus en plus critiques. Cela signifie que l'avenir appartient non pas aux plus grands modèles, mais aux plus intelligents dans le choix de ce sur quoi regarder.