From REST to MCP: An Empirical Study of API Wrapping and Automated Server Generation for LLM Agents
Dit paper presenteert de eerste grootschalige empirische studie naar de constructie van Model Context Protocol (MCP)-servers, waarbij wordt aangetoond dat deze voornamelijk REST-API's als wrapper gebruiken, en introduceert AutoMCP, een geautomatiseerde pipeline die de correcte generatie van tools uit OpenAPI-specificaties aanzienlijk verbetert door reparatie en transformatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat een LLM-agent (zoals een slimme robot-assistent) een nieuwe stad binnenkomt. Hij wil alles kunnen doen: e-mails sturen, bestanden zoeken, boodschappen doen. Maar hij heeft geen eigen handen of ogen; hij heeft gereedschappen nodig om met de buitenwereld te communiceren.
Vroeger was het bouwen van deze gereedschappen voor elke nieuwe dienst (zoals GitHub, Slack of Notion) een enorme klus. Elke dienst had zijn eigen taal (een REST API), en de programmeurs moesten handmatig vertalers bouwen om de robot die taal te laten spreken.
Deze paper introduceert een nieuwe standaard, genaamd MCP (Model Context Protocol), die als een universele stopcontact-adapter werkt. Maar hoe werkt dit in de praktijk? En kunnen we deze "vertalers" automatisch bouwen?
Hier is het verhaal van het onderzoek, vertaald in simpele taal:
1. De Grote Ontdekking: Het is bijna allemaal "Aan-uit"
De onderzoekers keken naar 116 bestaande MCP-servers (de vertalers). Wat vonden ze?
- De realiteit: 88% van deze servers is gewoon een blote naaktheid van de originele dienst. Ze doen niets anders dan de knoppen van de originele dienst (de REST API) overnemen en ze in een nieuw jasje steken.
- De analogie: Stel je voor dat je een restaurant hebt. De chef-kok (de originele API) kan 600 verschillende gerechten maken. De MCP-server is als een ober die alleen de 50 populairste gerechten op de kaart zet. Hij doet geen extra koken; hij geeft gewoon door wat de chef kan.
- Het probleem: De originele kaarten (API's) zijn vaak gigantisch (honderden opties), maar de robot kan niet goed kiezen als er te veel opties zijn. De onderzoekers ontdekten dat MCP-servers slim zijn: ze filteren bewust. Ze laten gevaarlijke opties (zoals "alles wissen") of saaie opties (zoals "instellingen wijzigen") weg en houden alleen de nuttige dingen over.
2. Het Probeer-experiment: Kan een robot dit zelf bouwen?
De onderzoekers dachten: "Als het zo simpel is (alleen maar doorgeven), kunnen we dan een computerprogramma maken dat deze servers automatisch bouwt op basis van de handleidingen (OpenAPI)?"
Ze bouwden AutoMCP, een robot die probeerde 77 verschillende diensten automatisch om te zetten in MCP-servers.
- Het resultaat: Het lukte in 76% van de gevallen! Maar in 24% faalde het.
- Waarom faalde het? Niet omdat de robot dom was, maar omdat de handleidingen (de specificaties) fout waren.
- Analogie: Het is alsof je een auto bouwt volgens een tekening, maar de tekening zegt "sluit de motor aan op stroom", terwijl de auto eigenlijk op benzine rijdt. Of de tekening vergeten is om te zeggen dat je een sleutel nodig hebt om de deur te openen.
- De robot bouwde perfect volgens de tekening, maar de echte auto (de API) werkte niet.
3. De Oplossing: De "SpecFix" en de "Schaar"
Om dit op te lossen, introduceerden ze twee slimme stappen in hun systeem:
Stap A: SpecFix (De Tekeninghersteller)
De robot kijkt niet alleen naar de tekening, maar vergelijkt die ook met de officiële website van de dienst. Als de tekening een foutje heeft (bijv. "geen wachtwoord nodig" terwijl er wel een nodig is), repareert de robot de tekening automatisch voordat hij begint met bouwen.
- Resultaat: Het succespercentage schoot omhoog van 76% naar 94%.
Stap B: De Schaar (Filteren en Groeperen)
Zelfs als alles werkt, zijn er soms nog 500 gereedschappen. Dat is te veel voor een robot om te onthouden. De onderzoekers keken naar hoe menselijke programmeurs dit doen: ze groeperen dingen.
- Voorbeeld: In plaats van één knop voor "Lijst tonen" en één knop voor "Eén item tonen", maken ze één slimme knop: "Toon lijst of item".
- Ze pasten dit automatisch toe. Hierdoor werd het aantal gereedschappen met een derde gereduceerd. De robot kreeg een overzichtelijkere werkplek.
4. De Grootte van de Winst
Door deze twee stappen (de tekening repareren en het aantal gereedschappen verkleinen) konden ze van 77 diensten 67 volledig werkende, gebruiksvriendelijke servers maken.
Samenvatting in één zin
Deze paper laat zien dat we niet hoeven te wachten tot mensen handmatig vertalers bouwen voor elke nieuwe AI-tool; we kunnen automatische machines bouwen die de handleidingen van diensten lezen, de foutjes erin repareren, en een slimme, overzichtelijke lijst van gereedschappen maken die een AI-agent direct kan gebruiken.
De kernboodschap: De wereld van AI-tools wordt niet beperkt door de technologie van de AI, maar door de kwaliteit van de handleidingen (API's) en hoe we die vertalen naar iets wat een robot begrijpt. Met de juiste "reparatie- en filter-machines" kunnen we die kloof overbruggen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.