Se oggi sviluppi con gli agenti, probabilmente conosci tre protocolli. MCP offre agli agenti uno standard per chiamare strumenti, mentre Skills fornisce un mezzo per i modelli AI di seguire istruzioni. Inoltre, A2A permette agli agenti di interagire con altri agenti. Tuttavia, tutti e tre presuppongono che l'utente conosca già il tool, le istruzioni o l'agente necessari. L'utente rimane comunque responsabile della scoperta, dell'integrazione e della manutenzione di tali capacità.
Lo specifica di Agentic Resource Discovery (ARD) agisce come layer di scoperta, disposto prima di questi metodi. Questa specifica rappresenta lo schema aperto sviluppato da collaboratori di Microsoft, Google, GoDaddy, Hugging Face e altri, con un ampio supporto nell’industria. Definisce un meccanismo con cui agenti e strumenti vengono inventariati, indicizzati e cercati attraverso registri fittizi federati, permettendo agli agenti di trovare le capacità richieste in tempo reale, senza doverli installare in anticipo. Non è un prodotto né un mercato; è uno standard condiviso che qualsiasi azienda può adottare autonomamente e in cui possono partecipare qualsiasi agente od strumento.
Il modello attuale e le sue limitazioni
Il modello attuale delle capacità degli agenti è basato sul concetto di installazione prima, utilizzo dopo. Un programma di sviluppo codifica manualmente un URL MCP server in un file di configurazione. Un utente collega un servizio al proprio app AI tramite un plugin e lo riutilizza. Questo modello funziona bene solo quando un agente utilizza pochi strumenti quotidiani, ma non funziona su un numero più grande di possibili interfacce occasionali.
- Il fallimento consiste nel fornire ogni istruzione al modello LLM tramite la finestra di contesto e lasciar fare a lui una selezione.
- Questa strategia si imbatta nel limite delle finestre di contesto, dove spesso le descrizioni sono troppo generiche per discriminare in modo utile.
ARD sposta la selezione fuori dal LLM. Un registro indice le capacità con segnali più ricchi come identità del pubblicatore, query rappresentative, attestazioni di conformità e tag. Esponendo un endpoint REST, il client cerca con linguaggio naturale e l'agente richiama qualunque risorsa la ricerca restituisca. Si passa quindi da cataloghi statici installati manualmente a una ricerca orientata all'intento, abilitando l'agente a trovare la capacità corretta dinamica, raggiungendo un ecosistema crescente di strumenti MCP, agenti A2A ed altri servizi, senza configurare ciascuno manualmente.
Implementazione da parte di Hugging Face
Lo strumento Hugging Face Discover è l'implementazione di riferimento di ARD. Offre un accesso di ricerca a migliaia di Skills, applicazioni ML e server MCP — su Hugging Face e attraverso altri servizi federati ARD.
Funziona combinando la ricerca semantica esistente del Hub, le agent Skills e fornendo i risultati come voci del catalogo ARD. Il Hub ospita già un catalogo di Spaces in esecuzione di applicazioni Gradio, server MCP e demo. La ricerca semantica supporta un flag agents=true che restituisce Spaces riordinati in base alle meta-dati orientati agli agenti, mentre Discover traduce questa ricerca nel formato ARD.
Filtro per tipologie di risorse
L'adattatore applica due filtri: il primo include soltanto gli spazi il cui stato di esecuzione è “in esecuzione”; il secondo filtra i tipi di risorse in base alla richiesta. I tipi supportati sono:
- Skills
- Server MCP
- Tipi di media personalizzati
Esempio con Skills
Il tipo skills richiede una trasformazione aggiuntiva. Molti spazi includono un file agents.md che descrive come un agente dovrebbe interagire con esso. Il Discovery legge il file e lo avvolge con i metadati attesi da un client, incluso nome, descrizione e dati di origine, come ID dello spazio, URL del Hub, URL dell’app, URL del file agents.md originale. Questo permette a qualsiasi cliente compatibile con le Skills di installare o caricare l’agente attraverso il proprio flusso standard.
Per gli spazi contrassegnati come MCP, l'adattatore genera una voce nel catalogo che punta al Gradio endpoint MCP dello spazio in HTTP. L'URL utilizza il dominio in esecuzione fornito dal Hub, altrimenti segue il formato standard .[spazilink].hf.spaceslug.
Utilizzo con CLI Hugging Face
Discover è integrato direttamente nella CLI di Hugging Face (hf). Per iniziare e dare accesso a te o al tuo agente:
- Installa la CLI Hugging Face con
pip install huggingface. - Accedi utilizzando il tuo token di Hugging Face.
- Esegui
hf discoverper cercare strumenti, Skills e MCP Server.
Cerca il catalogo direttamente
Il catalogo Hugging Face è pubblicato all’URL ben noto:
https://huggingface.io/discover
In alternativa, puoi connessere qualsiasi client MCP per cercare direttamente tramite un endpoint MCP usando:
https://huggingface-hf-discover.hf.space/mcp per cercare nel catalogo.
ARD separa scoperta ed esecuzione
ARD separa la scoperta dall'esecuzione. Il formato manifesto statico è determinato dal tipo di media utilizzato, quindi qualsiasi protocollo di artefatto può condividere lo stesso schema senza modifiche al livello di specifica. L'API del registro è REST HTTP semplice, quindi qualsiasi client può federarsi ad essa. Discover è una tra molte implementazioni di riferimento dell’ecosistema, e dato che la federazione è integrata nel protocollo, una ricerca tramite un servizio può restituire capacità ospitate da un altro.
Lo strumento Discover ne è un esempio operativo. Non crea un formato artefatto nuovo. Involucra un motore di ricerca esistente, il Hub, all'interno dell'AR framework, permettendo agli stessi spazi di apparire come Skills o server MCP in base a ciò che richiede il cliente.
Passaggi successivi
Per il futuro si prevedono integrazioni più strette con le modalità di federazione dello specifica (auto, referrals, none) e il supporto del catalogo statico ai-catalog.json in profili utente e organizzativi del Hub. Una volta completato questo, qualsiasi publisher di spazi sarà in grado di promuovere le loro capacità attraverso il meccanismo standard conosciuto come URI ben definito.