MCP-Cosmos: Weltmodell-gestützte Agenten zur Ausführung komplexer Aufgaben in MCP-Umgebungen
MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments
May 9, 2026
Autoren: Giridhar Ganapavarapu, Dhaval Patel
cs.AI
Zusammenfassung
Das Model Context Protocol (MCP) hat die Schnittstelle zwischen großen Sprachmodellen (Large Language Models, LLMs) und externen Werkzeugen vereinheitlicht, dennoch besteht weiterhin eine grundlegende Lücke darin, wie Agenten die Umgebungen, in denen sie operieren, konzeptualisieren. Aktuelle Paradigmen sind zweigeteilt: Planung auf Aufgabenebene ignoriert häufig die Dynamik zur Ausführungszeit, während reaktive Ausführung keine langfristige Voraussicht bietet. Wir präsentieren MCP-Cosmos, ein Framework, das generative Weltmodelle (World Models, WM) in das MCP-Ökosystem integriert, um prädiktive Aufgabenautomatisierung zu ermöglichen. Durch die Vereinheitlichung dreier unterschiedlicher Technologien, nämlich MCP, Weltmodell und Agent, zeigen wir, dass eine „Bring Your Own World Model“ (BYOWM)-Strategie es Agenten ermöglicht, Zustandsübergänge zu simulieren und Pläne in einem latenten Raum vor der Ausführung zu verfeinern. Wir führten Experimente mit zwei Strategien durch, nämlich ReAct und SPIRAL, mit 2 Planungsmodellen und 3 repräsentativen Weltmodellen über 20+ MCP-Bench-Aufgaben. Wir beobachteten Verbesserungen bei den KPIs der Umgebungsinteraktion des Agenten, wie der Werkzeugerfolgsrate und der Werkzeugparameter-Genauigkeit. Das Framework bietet auch neue Metriken wie die Ausführungsqualität, um neue Erkenntnisse über die Effektivität von Weltmodellen im Vergleich zur Basislinie zu gewinnen.
English
The Model Context Protocol (MCP) has unified the interface between Large Language Models (LLMs) and external tools, yet a fundamental gap remains in how agents conceptualize the environments within which they operate. Current paradigms are bifurcated: Task-level planning often ignores execution-time dynamics, while reactive execution lacks long-horizon foresight. We present MCP-Cosmos, a framework that infuses generative World Models (WM) into the MCP ecosystem to enable predictive task automation. By unifying three disparate technologies, namely MCP, World Model, and Agent, we demonstrate that a "Bring Your Own World Model" (BYOWM) strategy allows agents to simulate state transitions and refine plans in a latent space before execution. We conducted experiments using two strategies, namely ReAct and SPIRAL with 2 planning models and 3 representative world models over 20+ MCP-Bench tasks. We observed improvements in Agent's environment interaction KPI such as tool success rate and tool parameter accuracy. The framework also offers new metrics such as Execution Quality to generate new insights about the effectiveness of world models compared to baseline.