Ny standard låter AI-agenter söka upp egna verktyg – utan att någon hårdkodat kopplingarna

Problemet som alla byggt runt – men ingen löst

Den som har byggt en AI-agent vet hur det brukar gå till. Du bestämmer i förväg vilka verktyg agenten ska ha tillgång till, konfigurerar kopplingarna manuellt, hårdkodar adresser och hoppas att ingenting förändras. Det fungerar för fem verktyg. Det fungerar sämre för femhundra. Och det fungerar inte alls i en värld där tusentals tjänster, agenter och förmågor finns tillgängliga och ständigt uppdateras.

Detta är grundproblemet som Agentic Resource Discovery (ARD) är konstruerat för att lösa. Specifikationen presenteras av Hugging Face tillsammans med bidragsgivare från bland andra Microsoft, Google och GoDaddy – en ovanligt bred koalition för ett tekniskt utkast i ett så tidigt skede.

Tanken är elegant: i stället för att en utvecklare explicit berättar för en agent vilket verktyg den ska använda ska agenten själv kunna söka efter rätt förmåga i realtid, baserat på vad den faktiskt behöver göra.

Varför befintliga protokoll inte räcker

Det finns redan etablerade standarder för hur AI-agenter kommunicerar. MCP hanterar verktygsanrop, Skills beskriver instruktioner och A2A styr kommunikation mellan agenter. Men alla dessa protokoll delar samma grundantagande: att du redan vet vilket verktyg du vill använda.

Ett vanligt sätt att hantera problemet i dag är att helt enkelt stoppa in beskrivningar av alla tillgängliga verktyg i språkmodellens kontextfönster och låta modellen välja. Det är ungefär som att ge någon hela telefonkatalogen och be dem ringa rätt person. Det fungerar tekniskt, men det är dyrt, det skalar dåligt och kvaliteten sjunker märkbart när verktygsbeskrivningarna är ofullständiga eller oprecisa.

ARD väljer en annan väg. I stället för att lasta kontextfönstret med verktygsinformation bygger specifikationen på ett register – ett index över förmågor med rikare metadata: utgivaridentitet, representativa sökfrågor, regelefterlevnadsintyg och kategorietiketter. Klienten söker på naturligt språk, registret returnerar relevanta träffar, och agenten kan sedan anropa det den faktiskt behöver.

Urvalet sker alltså utanför språkmodellen, vilket är en arkitektonisk skillnad som får konsekvenser för både kostnad, precision och skalbarhet.

Ett infrastrukturlager som saknats

För att sätta ARD i ett bredare sammanhang: det vi ser är framväxten av ett infrastrukturlager som hittills har saknats i ekosystemet för AI-agenter. Vi har haft protokoll för kommunikation och protokoll för anrop, men inget standardiserat sätt för agenter att upptäcka vad som finns tillgängligt.

Det påminner om hur webben en gång gick från statiska sidor med manuella länklistor till dynamisk sökning och metadata-standarder. Ingen enskild teknik löste det problemet – det krävdes ett lager av gemensamma konventioner som alla aktörer kunde bygga mot.

ARD är fortfarande ett utkast. Det är tidigt, och specifikationen kommer säkert att förändras. Men det faktum att Microsoft, Google och Hugging Face har satt sig vid samma ritbord och enats om en gemensam riktning är i sig en signal värd att ta på allvar. Dessa organisationer konkurrerar hårt om agentplattformar – att de ändå väljer att samarbeta kring discovery-lagret tyder på att de ser ett gemensamt intresse i att ekosystemet som helhet mognar.

Vad det betyder i praktiken

För den som bygger agentbaserade system i dag är konsekvenserna konkreta. En agent som kan söka efter verktyg dynamiskt kräver inte att byggaren i förväg kartlägger hela verktygsutrymmet. Nya tjänster kan göras tillgängliga utan att varje agent som potentiellt kan använda dem behöver rekonfigureras. Underhållsbördan minskar. Och möjligheterna för genuint självständiga agenter – sådana som anpassar sig till sin uppgift snarare än att följa ett förutbestämt skript – ökar markant.

Det är ett litet standardsteg på pappret. Men i praktiken är det ett av de infrastruktursprång som brukar visa sig ha störst långsiktig betydelse.