🤖 AI

MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments

MCP-Cosmos は、生成ワールドモデルをモデルコンテキストプロトコル（MCP）エコシステムに統合するフレームワークであり、これによりエージェントは実行前に潜在空間内で状態遷移をシミュレートし計画を洗練させることができるため、複雑なタスクにおけるツールの成功率とパラメータの精度が大幅に向上する。

原著者： Giridhar Ganapavarapu, Dhaval Patel

公開日 2026-05-12

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Giridhar Ganapavarapu, Dhaval Patel

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

以下は、論文「MCP-Cosmos」を平易な言葉と日常的な比喩を用いて解説したものです。

大きな問題：「近視眼的」なロボット

あなたが非常に賢いロボット助手を雇い、用事を頼んだと想像してください。「雑貨屋に行って牛乳を買ってから、銀行に寄って小切手を預けてきて」と指示します。

従来の方法（ReAct）： このロボットは、一歩先しか見ない人のように振る舞います。「わかった、今お店にいる。牛乳を買う」と言い、牛乳を買います。その後、「わかった、お店の用事は終わった。銀行に行く」と言います。
- 欠点： もし銀行が閉まっていたり、牛乳が品切れだったりすると、ロボットは戻って再試行するか、立ち往生してしまいます。それは「未来を見通す」ことができないからです。正しい結果が出るまで、失敗を繰り返し、再試行し続けることになります。これは時間とお金の無駄（ガストークンの使いすぎのようなもの）になります。
新しいアイデア（MCP-Cosmos）： 著者たちは、このロボットに「水晶玉」あるいはシミュレーションエンジンを与えたいと考えています。ロボットが実際に家を出る前に、何が起きるかもしれないかを頭の中で「映像」としてシミュレーションします。「もしお店に行けば、牛乳が見つかるかもしれない。もし銀行に行けば、閉まっているかもしれない。閉まっている銀行を避けるルートで計画しよう」と考えます。

解決策：「独自のワールドモデルを持参せよ（BYOWM）」

この論文では、MCP-Cosmosというフレームワークを紹介しています。これは AI エージェントのための「トレーニング場」と考えてください。

ワールドモデル（シミュレーター）： これは世界の仕組みを知っている特別な AI です。パイロットのためのフライトシミュレーターのようなものです。パイロット（メインの AI エージェント）は、実際の飛行機を墜とすことなく、シミュレーターの中で飛行練習をすることができます。
- 論文では、これを「ワールドモデル」と呼びます。これはツール（API 呼び出しなど）を使用した場合に何が起こるかを予測します。
- 彼らはBYOWM（Bring Your Own World Model：独自のワールドモデルを持参せよ）という戦略を提案しています。これは、車に異なるエンジンを取り付けられるように、好きなシミュレーターを何でも接続できることを意味します。
二段階のプロセス：
- フェーズ 1（夢）： エージェントはワールドモデルを使って、頭の中でタスク全体をシミュレーションします。「A をしたらどうなる？B をしたらどうなる？」と、さまざまな計画を試します。実際に何もしないで、最善の計画を選びます。
- フェーズ 2（現実）： エージェントは、その選ばれた計画を実世界で実行します。事前に計画していたため、失敗や不要な呼び出しが少なくなります。

実験：水晶玉のテスト

研究者たちは、このアイデアをMCP-Benchと呼ばれる標準的な難易度の高いタスクセットを用いてテストしました。彼らは 3 種類のエージェントを比較しました。

ベースライン（ReAct）： 「一歩先しか見ない」ロボット。
プランナー（ReAct-Plan-Exec）： まずシミュレーターを使って計画を立てるロボット。
高度なプランナー（SPIRAL）： シミュレーターと組み合わせた、高度な探索手法（チェスプレイヤーが何手先も考えるようなもの）を使うロボット。

彼らは、このタスク用に特別に作られたものや、汎用 AI モデルなど、さまざまな「シミュレーター（ワールドモデル）」を使ってこれらのエージェントをテストしました。

結果：効率性対完璧さ

結果は興味深く、トレードオフを示しました。

「従来の方法（ReAct）」は頑固でした： 最終的には仕事を完了しましたが（高い「タスク完了率」）、時間がかかり、多くの失敗を繰り返し、常に再試行する必要がありました。これは、正しいドアが見つかるまで、間違ったドアを何度もノックし続ける人のようなものです。
「新しい方法（ワールドモデル）」は効率的でした： シミュレーターを持つエージェントは、失敗が少なく、ツール呼び出しも少なかったです。適切なツールを選び、パラメータを正しく設定する能力が格段に向上しました。
- 比喩： 新しいエージェントは、地図を確認して銀行が閉まっていることを知り、すぐに別の銀行へ向かう人のようなものです。間違ったドアをノックする時間を無駄にしませんでした。

しかし、注意点がありました： 新しいエージェントは、頑固なロボットに比べると、複雑なタスク全体を完璧に完了させる能力がわずかに劣る場合がありました。頑固なロボットは、 messy（ごちゃごちゃ）であっても成功するまで試行し続けました。新しいエージェントはクリーンでしたが、シミュレーションが難しすぎると、途中で諦めてしまうことがありました。

新しい評価基準：「実行品質」

著者たちは、従来の評価方法が公平ではないことに気づきました。それはタスクが「完了したか」だけを気にし、プロセスがどれだけごちゃごちゃしていたかは無視していたからです。

彼らは**Execution Quality（実行品質）**という新しい指標を発明しました。

古い指標： 「牛乳は手に入れたか？」（はい/いいえ）。
新しい指標： 「牛乳は手に入れたか、そしてそのために 10 回もドアをノックしなかったか？」

この新しいスコアでは、ワールドモデルを使ったエージェントがはるかに優れていることがわかりました。彼らはより少ない労力、より少ない再試行、より少ない時間の無駄で仕事をこなせることを証明しました。

「より強力な脳」のパラドックス

この論文では、ロボットに「より賢い脳」（より強力な AI モデル）を与えつつ、シミュレーターを与えない場合の結果もテストしました。

結果： より賢い脳は、実際にはより多くの失敗を犯し、より多くのリソースを使用しました。これは、すべてを過剰に考え、20 通りの解決策を同時に試してエネルギーを浪費する天才のようなものです。
解決策： その「より賢い脳」に「シミュレーター（ワールドモデル）」を組み合わせると、シミュレーターがフィルターとして機能します。天才が過剰に考え込むのを防ぎ、最善の計画に固執させるのです。

まとめ

MCP-Cosmosは、AI エージェントが「行動する」前に「夢見る」ことを可能にするフレームワークです。未来をシミュレーションすることで、失敗を避け、リソースを節約します。この論文は、このアプローチが必ずしもタスク完了の「速度」や「成功率」を向上させるわけではないものの、プロセスをはるかにクリーンで、安価で、効率的にすることを示しています。また、彼らは最終結果だけでなく、効率性にも報いる新しい成功の測定方法を導入しました。

技術的概要：MCP-Cosmos

問題定義

モデルコンテキストプロトコル（MCP）は、大規模言語モデル（LLM）と外部ツール間のインターフェースを標準化したが、エージェントがその動作環境をどのように概念化するかという点において、根本的なアーキテクチャのギャップが依然として存在する。現在のパラダイムは二極化している：

計画中心のフレームワーク（例：TaskBench）は、静的なツール定義と高レベルの意思決定に依存するが、現実世界の実行ダイナミクスにおける確率性をしばしば無視している。
反応的実行フレームワーク（例：MCP-Bench 上の ReAct）は、観測と行動を交互に行うことで環境をナビゲートするが、「視野の短縮（horizon myopia）」に悩まされている。これらのエージェントは、下流の結果を予期できず、冗長なツール呼び出し、不可逆的な状態の失敗、非効率的な探索を引き起こすことが頻繁にある。

核心的な問題は、エージェントが物理的な実行にコミットする前に、潜在空間内で状態遷移をシミュレートし、計画を洗練させるメカニズムが欠如していることである。これにより、高価な現実世界の失敗が防止されていない。

手法：MCP-Cosmos

著者らは、エージェントを反応的実行から予測的認知へ移行させるために、MCP 相互作用ループにワールドモデル（WM）を統合するフレームワークMCP-Cosmosを提案する。このフレームワークは、「Bring Your Own World Model（BYOWM）」戦略に基づいて動作し、多様なワールドモデルをモジュール式に統合可能にする。

ワークフローは 2 つの明確なフェーズから構成される：

フェーズ 1：シミュレーションと能動的計画：エージェントは、現実世界での実行コストを伴わずに、潜在空間内で潜在的な行動シーケンスをシミュレートするためにワールドモデルを利用する。エージェントは、実行可能な軌道が特定されるまで、シミュレートされた観測に基づいてツール呼び出しを反復的に生成し、計画を修正する。このフェーズでは、MCP ツールの定義を単なる API エンドポイントではなく、予測的ワールドモデルの構成要素（ $P(s_{t+1}|s_t, a_t)$ ）として扱う。
フェーズ 2：実環境での実行：エージェントは、実際の環境で選択された最適計画を実行する。フレームワークは失敗時の計画調整をサポートするが、ベンチマークパイプラインでは、初期の予測的計画の有効性を分離するために修正ステップは除外された。

実験設定：

データセット：MCP-Benchから、2〜3 つのサーバーシナリオにわたるクロスドメインのツール依存関係と曖昧な指示を持つ 24 のコスト効率の高いタスクを選択。
エージェントアーキテクチャ：
- ReAct（ベースライン）：ワールドモデルなしの標準的な推論と行動。
- ReAct-Plan-Exec：実行前にワールドモデルシミュレーションを用いて能動的な計画を生成。
- SPIRAL-Exec：LLM プランナーとシミュレーターによる Monte Carlo Tree Search（MCTS）を用いた予測的シミュレーションを使用。
ワールドモデル：3 つのモデルを評価：
- GPT-OSS-120B および Claude-Sonnet-4.6（LLM ベースのワールドモデル）。
- Arctic-AWM-4B（エージェントワールドモデル、MCP 環境で特別に訓練された 4B パラメータモデル）。

主要な貢献

BYOWM アーキテクチャ：既存の MCP エコシステムに多様なワールドモデルを統合可能にするモジュール型のエージェント戦略。
予測効率のベンチマーク：300 以上の軌道にわたる、ワールドモデル統合エージェントと堅牢なベースラインとの比較分析。
評価ギャップの分析：タスクの完全性を優先する現在の指標の限界の特定。これらは、失敗回避や冗長性の削減といったワールドモデルの特定の利点を捉えられていない。
新しい評価指標（実行品質）：平均のツール呼び出し成功率と正規化された平均ツール呼び出し数として定義される実行品質の提案。この指標は、過度な再試行にペナルティを与え、効率的な実行を報酬とし、不要な呼び出しがレイテンシとコストを増加させる実際の展開制約をよりよく反映する。

結果

実験は、精度、効率、モデル能力の間のトレードオフに関する微妙な知見をもたらした：

パフォーマンス対ベースライン：ワールドモデル強化エージェント（ReAct-Plan-Exec および SPIRAL-Exec）は、ツール選択、パラメータ精度、および計画の有効性（特に並列性と依存関係の認識）において、ReAct ベースラインを一貫して上回った。
タスク完了：興味深いことに、ベースラインの ReAct エージェントは、最も高いタスク遂行およびタスク完了スコアを維持した。これは、ワールドモデルがツールの選択の質を向上させる一方で、ベースラインの試行錯誤による回復ループが、非効率的ではあるが最終的に正しい結果に到達する点で依然として効果的であることを示唆している。
効率性の向上：ワールドモデルの導入により、ツール呼び出しの数が大幅に削減された。例えば、SPIRAL-Exec + AWM-4B 構成は、低いステップ数により完全な実行品質スコアを達成したが、ベースラインの ReAct エージェントは著しく多くの呼び出しを必要とした（WM エージェントは 1.12〜7.91 回であるのに対し、平均 7.04 回）。
プランナーの相互作用：ワールドモデルを持たない強力なプランナー（Claude-Sonnet-4.6）は、GPT-OSS-120B ベースラインの約 4 倍のツール呼び出しを発行する攻撃的な探索を示した。しかし、ワールドモデルと組み合わされると、強力なプランナーの探索は制限され、ライブ環境をプローブするのではなく、検証済みの計画にコミットすることを余儀なくされた。
モデル固有の特性：目的特化型のArctic-AWM-4Bは、ほとんどの構成において汎用 LLM（GPT-OSS-120B、Claude-Sonnet-4.6）ほど効果的ではなかったが、効率性指標では卓越していた。

意義と主張

本論文は、MCP-Cosmos が、反応的実行から予測的認知への移行が、エージェントの堅牢性とリソース効率を大幅に向上させることを実証していると主張する。環境遷移ダイナミクスを内部化することで、エージェントは物理的実行前に軌道を洗練させるための仮説的先読み探索を実行できる。

著者らは、この文脈におけるワールドモデルの主な価値は、必ずしもより高い生のタスク完了率の達成（反応的エージェントはしばしば力任せの再試行を通じて達成可能）ではなく、実行オーバーヘッドの削減にあると強調する。提案された実行品質指標は、従来の指標がしばしば見落とすこれらの効率性向上を捉えるための、評価手法における必要な進化として提示されている。

本研究は、現在の専門的なワールドモデル（AWM-4B など）がすべての側面で汎用 LLM を凌駕するわけではないものの、MCP-Cosmos フレームワークとその評価スイートは、ツール呼び出しの失敗と冗長性が重要なコストとなる複雑な多段階タスクに特化した将来の MCP 固有ワールドモデルを評価し進化させるために必要なインフラを提供すると結論づけている。