本文提出了\method\，一种让模型上下文协议（MCP）代理与训练数据相互进化的闭环框架。传统的监督微调在固定数据分布上进行，难以跟随学生模型能力的提升，也无法及时填补新出现的薄弱环节。\method\ 首先通过 rollout 反馈评估学生模型的已掌握能力和能力缺口，从而确定学习目标。随后，任务进化将这些目标映射为可执行任务：在保持验证器一致的前提下，调整兼容的已验证种子任务的指令和可观测环境状态。为了为新任务提供可靠且高效的示例，轨迹进化利用可复用的技能恢复失败的教师 rollout，并对成功的 rollout 进行细化。得到的任务‑轨迹对用于对学生模型进行监督微调，而被接受的任务又会作为下一轮进化的种子。循环结束后再次评估更新后的学生模型，并将其反馈用于指导下一轮数据进化。实验在 Toolathlon、MCPMark 和 MCP‑Atlas 三个基准上进行，分别实现了 16.5%、10.2% 和 12.6% 的绝对提升。项目代码已开源：https://github.com/xagao/EvoMCP。
点评：\method\ 通过动态生成针对性任务和高质量示例，实现了学生模型的持续自适应提升，为 MCP 体系的实用化提供了可行路径。