Nous Research lance Tool Search pour Hermes Agent : la précision grimpe de 49 à 74 % sur Opus 4

Nous Research a dévoilé une mise à jour de Hermes Agent qui ajoute Tool Search, une fonction censée régler un problème ancien des agents d'IA travaillant avec MCP (Model Context Protocol). Avec cette nouvelle approche, l'agent sélectionne uniquement les outils pertinents au lieu de charger dans le contexte la description complète de tous les outils disponibles.

Surcharge de contexte dans MCP

Quand un agent d'IA interagit avec un ensemble d'outils via MCP, l'approche traditionnelle impose de charger dès le départ dans le contexte du modèle les descriptions de tous les outils disponibles. Avec trente, cinquante ou cent outils, chacun accompagné d'une description détaillée des paramètres et d'exemples d'utilisation, le problème devient vite sensible : le contexte gonfle, les tokens s'épuisent plus tôt que prévu et le modèle lui-même peut se perdre dans une mer d'informations.

Nous Research a repéré ce goulot d'étranglement et appliqué une méthode classique de recherche d'information : le classement BM25. Cet algorithme de recherche plein texte évalue la pertinence d'un document (ici, la description d'un outil) par rapport à la requête de l'utilisateur. Au lieu de charger tout le catalogue, le système recherche désormais les outils les plus adaptés et transmet leurs schémas au contexte de façon progressive.

Comment Tool Search fonctionne en pratique

La mécanique est simple mais efficace. À l'initialisation de l'agent, le système indexe les métadonnées de tous les outils disponibles : leurs noms, descriptions et finalités. Quand l'utilisateur donne une commande, l'agent ne parcourt pas la liste complète : il cherche d'abord les top-K outils pertinents pour la requête :

• Première étape : lancer une recherche BM25 sur les noms et descriptions des outils
• Deuxième étape : charger dans le contexte du modèle des schémas succincts pour les meilleurs résultats
• Troisième étape : si nécessaire, déployer les paramètres complets uniquement pour l'outil retenu
• Résultat : le contexte reste maîtrisable et l'agent choisit plus précisément

Cette conception règle plusieurs problèmes à la fois : elle réduit la taille du contexte, accélère le fonctionnement et, surtout, améliore la précision du choix d'outil, car le modèle n'est pas distrait par des options non pertinentes.

Les chiffres d'Anthropic

Nous Research a testé Tool Search sur les benchmarks standard Anthropic Evals et obtenu des résultats notables. Sur Claude Opus 4, le gain de précision va de 49 % à 74 % selon le type de tâche et l'ensemble d'outils. Ce n'est pas une simple marge d'erreur statistique : c'est une amélioration significative, qui indique que restreindre le contexte aux outils pertinents aide réellement le modèle à se concentrer sur le bon choix.

Fait intéressant, l'effet est le plus marqué sur les grands ensembles d'outils : plus le choix est vaste, plus le filtre intelligent apporte de gain.

Ce que cela signifie pour les agents d'IA

Tool Search est un exemple modeste mais parlant de la façon dont une bonne gestion du contexte peut compter plus que la puissance brute du modèle. Plutôt que d'agrandir simplement la fenêtre de contexte, il suffit parfois d'être plus malin sur les informations qu'on y charge. Cela vaut non seulement pour MCP, mais aussi pour les systèmes RAG, les intégrations d'API et les systèmes d'automatisation où l'agent doit choisir parmi de nombreuses actions possibles.

À mesure que les systèmes d'IA gagnent en complexité, ces optimisations deviendront de plus en plus critiques. L'avenir n'appartient pas aux plus gros modèles, mais à ceux qui savent le mieux choisir ce qu'ils regardent.