Model Context Protocol（MCP）让 AI 代理能够发现并调用工具，但随着目录规模扩大，逐个加载定义的成本呈 $O(n)$ 级别。Cartograph 通过在代理可见层面引入联邦 MCP 代理，将遍历复杂度降至 $O(k)$ 的渐进披露。\ \ Cartograph 结合三大机制：\
- 运营商认证的能力卡——在部署运营商控制下使用 Ed25519 签名的工具描述，取代传统的发布者副本；\
- Rift——三层可混淆聚类分析，包括密度聚类、查询边缘分析和令牌诊断；\
- 两阶段检索——先对服务器进行排序，再对工具进行排序。\ \ 在 22 台服务器、374 个工具的部署中，Cartograph 只暴露了 3 个代理工具，而非全部 374 条定义。使用 49 条作者构造的查询基准，Cartograph 的 R@5 为 0.816，显著高于基于 Jaccard 关键字的 0.592。实际的前 5 条发现交换仅消耗 475 个令牌，相比完整目录的 42,450 个令牌大幅降低。Rift 识别出 49 个可混淆聚类，其中四个为高风险聚类，均来源于引导生成的卡片。对 119 条 LLM 生成的描述进行探索性比较后，零距离聚类被消除，但混合卡片生成方式会导致 R@5 下降。十次网关测量显示，平均额外延迟 5 ms（约 0.8%），相较于直接的 stdio MCP 调用几乎无感。\ \ Cartograph 与代码执行类方案互补：它决定哪些工具描述被呈现，并为每次查询记录用于排序的描述来源，实现可追溯的检索过程。\ \ 点评