56本 → 5本、88%削減 — TiDB FTS+Vectorで作るAbility Discovery Layer

• URL: https://zenn.dev/taka4/articles/fb3809bc7e4a82
• 日付: 2026-06-26
• Tier: Tier 3
• 要旨: AIエージェントが保有するMCPサーバー・スキルが56本に増えた際のTool Explosion問題を解決するAbility Discovery Layerの実装記事。TiDB CloudのFTS（全文検索）とVector Hybrid Searchを組み合わせ、ユーザーのクエリに応じて必要なツールをTop-5本に絞り込むことでトークン消費を平均88%削減した。日本語クエリの精度改善にはLLMによるQuery Expansionを使い英語キーワードを付与する手法を採用し、nomic-embed-textのベクトル検索精度が大幅に向上することを実証している。

詳細

MCPサーバー・スキルが56本に増加した環境でのTool Explosion問題を解消するAbility Discovery Layerの設計と実装。TypeScript + Node.js 22 + TiDB Cloud Serverless（ap-northeast-1）+ Ollama構成。

• 問題の規模：全56本のツール説明テキストで約2,258トークン消費。関係のないツールがコンテキストを圧迫し精度も低下
• 解決策：discover_toolsを1回呼ぶだけでTop-5本を取得。トークン消費2,318→約279（88%削減）、ツール数56→5（91%削減）
• スキーマ設計：search_text Generated Column（name + descriptionの結合）にFULLTEXT INDEX（MULTILINGUAL）とVECTOR INDEXを共存
• FTS検索：TiDB CloudのFTS_MATCH_WORD()はWHERE句で単独使用が必要（WHERE FTS_MATCH_WORD() > 0はエラー）
• Vector検索：Ollama + nomic-embed-text（768次元）でVEC_COSINE_DISTANCEを使用
• Query Expansion：日本語クエリをqwen3:14bで英語キーワードに展開することでベクトル検索精度が大幅改善（Vector距離が密集する問題を解消）
• mem9 Boost：個人利用履歴でTop-5のパーソナライズも実現