arXiv:2511.18194v1 Announce Type: new 
Abstract: Recent advances in Large Language Model Multi-Agent Systems enable scalable orchestration and retrieval of specialized, parallelized subagents, each equipped with hundreds or thousands of Model Context Protocol (MCP) servers and tools. However, existing agent, MCP, and retrieval methods typically match queries against a single agent description, obscuring fine-grained tool capabilities of each agent, resulting in suboptimal agent selection. We introduce Agent-as-a-Graph retrieval, a knowledge graph retrieval augmented generation approach that represents both tools and their parent agents as nodes and edges in a knowledge graph. During retrieval, i) relevant agents and tool nodes are first retrieved through vector search, ii) we apply a type-specific weighted reciprocal rank fusion (wRRF) for reranking tools and agents, and iii) parent agents are traversed in the knowledge graph for the final set of agents. We evaluate Agent-as-a-Graph on the LiveMCPBenchmark, achieving 14.9% and 14.6% improvements in Recall@5 and nDCG@5 over prior state-of-the-art retrievers, and 2.4% improvements in wRRF optimizations.

أدت التطورات الأخيرة في أنظمة الوكلاء المتعددة القائمة على نماذج اللغة الكبيرة إلى تقديم Agent-as-a-Graph، وهي طريقة استرجاع قائمة على رسم بياني للمعرفة تعزز تنسيق واسترجاع الوكلاء الفرعيين المتخصصين. تستخدم هذه الطريقة بحثًا متجهًا لتحديد الوكلاء والأدوات ذات الصلة، تليها دمج تصنيف متبادل مرجح محدد لنوع معين لاختيار الوكلاء بشكل أمثل.

Los avances recientes en los sistemas multiagente de Modelos de Lenguaje Grande han llevado a la introducción de Agent-as-a-Graph, un método de recuperación basado en grafos de conocimiento que mejora la orquestación y recuperación de subagentes especializados. Este enfoque utiliza una búsqueda vectorial para identificar agentes y herramientas relevantes, seguida de una fusión de clasificación recíproca ponderada específica para un óptimo selección de agentes.

Les avancées récentes dans les systèmes multi-agents basés sur des modèles de langage de grande taille ont conduit à l'introduction d'Agent-as-a-Graph, une méthode de récupération basée sur un graphe de connaissances qui améliore l'orchestration et la récupération de sous-agents spécialisés. Cette approche utilise une recherche vectorielle pour identifier les agents et outils pertinents, suivie d'une fusion de classement réciproque pondérée spécifique au type pour une sélection optimale des agents.

Recent advancements in Large Language Model Multi-Agent Systems have led to the introduction of Agent-as-a-Graph, a knowledge graph-based retrieval method that enhances the orchestration and retrieval of specialized subagents. This approach utilizes a vector search to identify relevant agents and tools, followed by a type-specific weighted reciprocal rank fusion for optimal agent selection.

Agent-as-a-Graph: Knowledge Graph-Based Tool and Agent Retrieval for LLM Multi-Agent Systems

<p>Artificial intelligence tool calling platform company Arcade.dev today introduced URL Elicitation, a new security capability that brings enterprise-grade authorization to Anthropic PBC&#8217;s Model Context Protocol. Developed in collaboration with Anthropic and formalized through an accepted Specification Enhancement Proposal, the feature gives MCP a standardized and secure way for AI agents to authenticate with real-world services [&#8230;]</p>
<p>The post <a rel="nofollow" href="https://siliconangle.com/2025/11/25/arcade-dev-anthropic-advance-mcp-new-secure-authorization-flow/">Arcade.dev and Anthropic advance MCP with new secure authorization flow</a> appeared first on <a rel="nofollow" href="https://siliconangle.com">SiliconANGLE</a>.</p>

أطلقت شركة Arcade.dev ميزة أمان جديدة تُدعى استدلال عنوان URL، مما يعزز بروتوكول سياق النموذج (MCP) بالتعاون مع شركة Anthropic PBC. تُعزز هذه الميزة عملية المصادقة القياسية والآمنة لوكلاء الذكاء الاصطناعي الذين يتفاعلون مع الخدمات الواقعية، مما يمثل تقدمًا كبيرًا في تفويض مستوى المؤسسات.

Arcade.dev ha lanzado una nueva función de seguridad llamada Elicitación de URL, mejorando el Protocolo de Contexto del Modelo (MCP) en colaboración con Anthropic PBC. Esta función estandariza y asegura el proceso de autenticación para agentes de IA que interactúan con servicios del mundo real, marcando un avance significativo en la autorización de nivel empresarial.

Arcade.dev a lancé une nouvelle fonctionnalité de sécurité appelée Elicitation d'URL, améliorant le Protocole de Contexte de Modèle (MCP) en collaboration avec Anthropic PBC. Cette fonctionnalité standardise et sécurise le processus d'authentification pour les agents d'IA interagissant avec des services réels, marquant une avancée significative dans l'autorisation de niveau entreprise.

Arcade.dev has launched a new security feature called URL Elicitation, enhancing the Model Context Protocol (MCP) in collaboration with Anthropic PBC. This feature standardizes and secures the authentication process for AI agents interacting with real-world services, marking a significant advancement in enterprise-grade authorization.

Agent-as-a-Graph: Knowledge Graph-Based Tool and Agent Retrieval for LLM Multi-Agent Systems

Was this article worth reading? Share it

Cometapi-e0d0fd

Armox

AI Agent Catalog