GRAIL：面向实时智能体发现的深层粒度混合共振框架

随着基于大语言模型 (LLM) 的智能体生态系统的快速扩张，高效且准确的智能体发现已成为大规模多智能体协作的关键瓶颈。现有方法通常面临两难：要么依赖重型 LLMs 进行意图解析，导致延迟严重（常超过 30 秒），要么使用单一向量检索以牺牲语义精度换取速度。为弥合这一差距，我们提出了 GRAIL (Granular Resonance-based Agent/AI Link)，一个在不牺牲准确性的前提下实现亚 400ms 发现延迟的新型框架。GRAIL 引入了三个关键创新：(1) SLM-Enhanced Prediction，用专门微调的小型语言模型 (SLM) 替换通用 LLM 解析器，实现毫秒级能力标签预测；(2) Pseudo-Document Expansion，通过增强 agent 描述中的语义密度来增强稠密检索的鲁棒性；(3) MaxSim Resonance，计算用户查询与离散 agent 使用示例之间的最大相似度，从而有效缓解语义稀释。我们在 AgentTaxo-9K 上的验证，包括我们新的包含 9,240 个 agent 的大规模数据集，显示 GRAIL 比 LLM 解析基线降低了超过 79 倍的端到端发现延迟，同时在 Recall@10 上显著优于传统向量搜索。该框架为实时'智能体互联网'提供了可扩展的工业级解决方案。