Les modèles linguistiques à grande échelle (LLM) s'appuient de plus en plus sur des outils externes pour accomplir des tâches complexes et réalistes, mais leur capacité à exploiter l'écosystème en pleine expansion du protocole contextuel de modèle (MCP) reste limitée. Les recherches existantes sur le MCP couvrent peu de serveurs, reposent sur une curation manuelle coûteuse et manquent de soutien à l'entraînement, ce qui freine l'avancement vers un déploiement réel. Pour surmonter ces limitations, nous introduisons MCP-Flow, un pipeline automatisé piloté par un web-agent pour la découverte à grande échelle de serveurs, la synthèse de données et l'entraînement des modèles. MCP-Flow collecte et filtre des données provenant de 1 166 serveurs et 11 536 outils, produisant 68 733 paires instruction-appel de fonction de haute qualité et 6 439 trajectoires, dépassant largement les travaux antérieurs en termes d'échelle et de diversité. Des expériences étendues démontrent l'efficacité de MCP-Flow dans la sélection optimale d'outils MCP, la génération d'appels de fonctions et l'amélioration des performances des tâches agencées. MCP-Flow fournit ainsi une base évolutif pour renforcer la maîtrise des agents LLM dans des environnements MCP du monde réel.