Bridging LLM Agents and Data Spaces: An Architectural Mediation Approach using the Model Context Protocol
作者: Jaime Alonso Ruiz, Carlos Aparicio, Gabriel Huecas, Joaquín Salvachúa, Andres Munoz-Arcentales
分类: cs.AI, cs.DB
发布日期: 2026-09-24
💡 一句话要点
提出模型上下文协议以解决LLM代理与数据空间集成问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 数据空间 模型上下文协议 中介架构 AI代理 数据共享 治理约束
📋 核心要点
- 现有方法在将大型语言模型（LLM）代理与数据空间服务集成时面临治理和交互不匹配的挑战。
- 论文提出了一种基于模型上下文协议的中介架构，旨在实现LLM代理与数据空间的受控交互。
- 实验结果表明，该方法在目录发现、元数据检索和数据服务调用方面实现了有效的端到端交互，且不需修改现有组件。
📝 摘要（中文）
数据空间使跨组织的主权和治理数据共享成为可能，但与AI代理的集成面临挑战，主要是由于概率语言模型交互与政策驱动的数据基础设施之间的不匹配。本文提出了一种基于模型上下文协议（MCP）的架构中介方法，通过Eunomia代理实现LLM代理与数据空间服务之间的受控交互。该中介层将数据空间能力转化为结构化、基于模式的工具，AI代理可以发现和调用，同时保持治理约束。原型实现验证了目录发现、元数据检索和数据服务调用的端到端交互，且无需修改现有数据空间组件。结果表明，基于协议的中介能够实现AI代理与数据空间生态系统的互操作性和标准对齐集成。
🔬 方法详解
问题定义：本文旨在解决大型语言模型（LLM）代理与数据空间服务之间的集成问题，现有方法在治理和交互方面存在不匹配，导致数据共享效率低下。
核心思路：提出基于模型上下文协议（MCP）的中介架构，通过将数据空间能力转化为结构化工具，使AI代理能够在保持治理约束的情况下进行有效交互。
技术框架：整体架构包括中介层、数据空间服务和LLM代理三个主要模块。中介层负责协议转换和能力发现，数据空间服务提供数据访问，而LLM代理则执行具体的任务。
关键创新：最重要的创新在于引入模型上下文协议（MCP），该协议使得AI代理能够在不修改现有数据空间组件的情况下，实现与数据空间的互操作性和标准对齐。
关键设计：在设计中，采用了结构化的模式驱动工具，确保AI代理能够发现和调用数据空间服务，同时保持治理约束，具体的参数设置和网络结构细节在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于模型上下文协议的中介方法在目录发现和数据服务调用的效率上显著提升，验证了其在不修改现有组件的情况下实现互操作性的有效性。具体性能数据和对比基线在论文中提供。
🎯 应用场景
该研究的潜在应用领域包括企业数据治理、智能数据共享和自动化决策支持系统。通过实现AI驱动的自动化，组织能够在遵循治理要求的同时，提高数据利用效率，推动数字化转型。未来，该方法可能会影响更多行业的数据共享和治理实践。
📄 摘要（原文）
Data Spaces enable sovereign and governed data sharing across organizational boundaries, but their integration with AI agents remains challenging due to mismatches between probabilistic language model interactions and policy-driven data infrastructures. This article presents an architectural mediation approach based on the Model Context Protocol (MCP), implemented through the Eunomia Agent, to enable controlled interaction between large language model (LLM) agents and data space services. The proposed mediation layer translates data space capabilities into structured, schema-driven tools that AI agents can discover and invoke while preserving governance constraints. A prototype implementation validates end-to-end interaction across catalog discovery, metadata retrieval, and data service invocation without modifying existing data space components. Results demonstrate that protocol-based mediation enables interoperable and standards-aligned integration of AI agents into data space ecosystems. The approach provides practical guidance for organizations seeking to introduce AI-driven automation into governed data-sharing environments while maintaining compliance, interoperability, and architectural separation of concerns.