BRIA：在大型工具库上执行引导的选择性工具采用

BRIA 针对企业 Agent 在工具目录庞大、多个候选看似可行时顺序试探易早停或污染上下文的问题，把候选工具放到隔离分支中独立检索执行，再由任务 Agent 依据执行证据选择性采纳。作者在 1897 个工具的统一目录上，用三类 LLM 与静态、自适应基线比较，报告在 PlanBench-XL 上以不到一半输入 token 达到持平或更高成功率，在 MCP-Atlas 上最高提升 14.4 个百分点。做工具调用与 Agent 上下文管理的开发者可据此比较基线，但结论限于该合成目录与所选模型，尚未验证真实企业部署。