AWS a publié 6 approches pour optimiser les outils MCP et économiser le contexte

AWS a publié le 12 juillet 2026 un guide technique sur les problèmes de conception des outils MCP et a proposé six approches pratiques pour les résoudre — de l'optimisation des descriptions à l'analyse des paramètres côté serveur à l'aide de l'IA. L'étude repose sur des tests réels d'une API de recherche de contenu éducatif (K-12).

Pourquoi les Outils MCP Dégradent la Qualité du Modèle

Le Model Context Protocol aide les LLM à utiliser des outils externes, mais la conception des définitions d'outils est souvent mal exécutée. AWS a identifié deux problèmes principaux :

Bloat (encombrement): chaque serveur MCP charge les définitions d'outils dans la fenêtre de contexte, même s'ils ne sont pas utilisés. Avec plusieurs serveurs actifs, la fenêtre se remplit de définitions avant que l'utilisateur pose sa première question.

Confusion: un contexte surpeuplé dégrade le raisonnement du modèle. Les LLM confondent les outils similaires, commettent des erreurs de paramètres et interprètent mal les contraintes. La similarité sémantique entre les outils et les noms de paramètres peu clairs aggravent le problème.

Six Approches : Un Spectre Complet de Solutions

AWS a testé six implémentations sur des requêtes du monde réel comme « Trouver un test sur les fractions pour la 6e » et « J'ai besoin de contenu aligné sur les TEKS » :

• V1 (Raw Passthrough): expose l'API backend telle quelle — taux d'erreur de paramètres élevés
• V2 (Rich Descriptions): docstrings détaillés avec exemples — améliore la précision mais augmente la taille
• V3 (Schema & Defaults): paramètres renommés (`discipline` → `subject`), énumérations `Literal`, valeurs par défaut sensées — bon compromis
• V4 (Lazy Loading): détails (taxonomie) dans un outil séparé — baseline minimal, demandes supplémentaires
• V5 (Server-side Introspection): Amazon Nova 2 Lite analyse les paramètres côté serveur — comportement stable mais ajoute des appels d'inférence
• V6 (Agent-as-Tool): paramètre unique `question: str`, toute la logique interne — contrôle maximal, nécessite une infrastructure

Recommandations Clés d'AWS

AWS Prescriptive Guidance recommande de maintenir les paramètres d'outil à « environ huit ou moins ». La recherche d'Anthropic montre : passer à une sortie détaillée à la demande réduit les tokens de réponse d'environ deux tiers.

De plus : rédiger des messages d'erreur spécifiques et exploitables (pas seulement « aucun résultat, » mais des conseils précis sur ce qu'essayer). Utiliser des noms de paramètres appropriés au domaine au lieu de noms de colonnes de base de données — cela réduit considérablement la confusion du modèle.

Comment Choisir une Approche pour Votre Tâche

Il n'existe pas de solution universelle. Le choix dépend du nombre de paramètres (peu → V3, beaucoup → V4-V5), de la stabilité du vocabulaire, des exigences de latence et de la nécessité d'une cohérence entre les modèles. Pour la plupart des tâches de recherche et de filtrage, V3 est suffisant. Les applications spécialisées (taxonomie complexe, raisonnement multi-étapes) bénéficient de V4-V5.

Ce Que Cela Signifie

Les outils MCP ralentissent actuellement souvent les agents LLM, mais AWS a démontré : le problème peut être résolu par l'ingénierie du contexte. Les ingénieurs disposent maintenant d'un guide pratique pour équilibrer contexte et précision au lieu d'ajouter aveuglément des descriptions.