גילוי כלי AI בקנה מידה רחב: כל מה שצריך הוא DNS
מאת Enhao Chen, Yulin Shao · פורסם: · עודכן:
המאמר מציע את ToolDNS, מסגרת לגילוי כלי AI בקנה מידה גדול באמצעות תשתית ה-DNS הקיימת, במקום לבנות שכבת רישום חדשה ומרכזית מעל האינטרנט. הבעיה המרכזית היא שסוכני AI אוטונומיים צפויים להזדקק לגישה למיליוני כלים, API-ים ושירותים, בעוד שמנגנוני גילוי קיימים סובלים ממורכבות ליניארית O(N), תלות במאגר מרכזי, ועלויות חיפוש ותחזוקה גבוהות. ToolDNS ממפה כוונה פונקציונלית, אמון ארגוני וסמנטיקה של כלים אל מרחב שמות היררכי, כך שגילוי כלי הופך לסדרת שאילתות DNS קלות במורכבות O(log N). החוקרים מציגים שלושה שיפורים תואמי פרוטוקול: שמות פתוחים חלקית, מטעני כוונה ב-EDNS0 ותתי-דומיינים לוגיים. בהערכה על בנצ׳מרק של 33,688 כלים אמיתיים מפרוטוקולים כמו MCP, A2A, RESTful ו-Skill, השיטה צמצמה את מרחב החיפוש ב-95.26% תוך שמירה על דיוק אחזור ברמת state-of-the-art.
יישומי המאמר
המחקר רלוונטי במיוחד לעולם שבו סוכני AI, עוזרים ארגוניים ומערכות אוטונומיות יצטרכו למצוא ולהפעיל כלים דיגיטליים בזמן אמת: API-ים, שירותי נתונים, כלי אוטומציה, מודלים, מערכות תשלום, מערכות CRM ועוד. כיום, ארגון שרוצה לאפשר לסוכן AI להשתמש באלפי כלים צריך בדרך כלל להחזיק קטלוג מרכזי, מנוע חיפוש סמנטי או שכבת תיווך ייעודית. זה יוצר צוואר בקבוק, תלות בספק, עלויות תפעול וסיכוני אמינות. ToolDNS מציע להשתמש בתשתית ה-DNS שכבר קיימת, יציבה, מבוזרת ומהירה, כדי לאפשר לסוכנים לאתר כלים לפי מטרה, מקור אמון ותחום שימוש. מבחינה עסקית, המשמעות היא אפשרות לבנות אקוסיסטם רחב של כלים ל-AI בלי להקים רישום מרכזי חדש, עם חיפוש מהיר יותר, פחות עומס, פחות latency ויכולת סקיילינג טובה יותר. עבור מנהלי מוצר, CTOs וארגונים גדולים, הרעיון יכול להפוך גילוי כלים לשכבת תשתית סטנדרטית, בדומה לאופן שבו DNS הפך כתובות אינטרנט לנגישות.
פירוט המאמר
רקע ומוטיבציה
המאמר עוסק באחת הבעיות הצפויות להפוך קריטיות בעידן סוכני AI אוטונומיים: כיצד סוכן יכול למצוא, לבחור ולהפעיל את הכלי הנכון מתוך מיליוני כלים, שירותים ו-API-ים זמינים. ככל שמערכות AI הופכות מסביבות צ׳אט פסיביות לסוכנים שמבצעים פעולות בעולם הדיגיטלי, הן נדרשות לא רק להבין הוראות אלא גם לגלות בזמן אמת אילו כלים קיימים, מי מפעיל אותם, האם ניתן לסמוך עליהם ומהי ההתאמה שלהם למשימה.
החוקרים מציינים שהפתרונות הקיימים לגילוי כלים מתקשים להתרחב. רבים מהם מבוססים על קטלוגים מרכזיים, רישומים מבוססי HTTP או חיפוש סמנטי מלא על כלל הכלים. גישות כאלה נוטות למורכבות O(N), כלומר עלות החיפוש גדלה באופן ליניארי עם מספר הכלים. במציאות שבה מספר הכלים עשוי להגיע למיליונים, הדבר יוצר צוואר בקבוק בביצועים, בממשל ובאמינות.
ההצעה המרכזית: ToolDNS
במקום לבנות שכבת תיווך חדשה, המאמר מציע את ToolDNS: מסגרת שמלבישה גילוי סמנטי של כלי AI על גבי מערכת ה-DNS, אחת מתשתיות האינטרנט הוותיקות, המבוזרות והעמידות ביותר. הרעיון המרכזי הוא לקודד את הכוונה הפונקציונלית של הכלי ואת ההקשר הארגוני שלו בתוך מרחב שמות היררכי.
DNS כבר בנוי באופן היררכי: דומיין, תת-דומיין, רשומות ומנגנוני פתרון שמות. ToolDNS מנצל מבנה זה כדי לאפשר לסוכן AI לצמצם במהירות את מרחב החיפוש. במקום לבצע חיפוש סמנטי יקר על כל הכלים האפשריים, הסוכן מבצע סדרה של פתרונות שם קלים, בדומה לאופן שבו דפדפן פותר שם אתר לכתובת IP. לפי החוקרים, גישה זו ממירה חיפוש במורכבות O(N) לסדרת פעולות הקרובה ל-O(log N).
שילוב כוונה, סמנטיקה ואמון ארגוני
אחד החידושים של ToolDNS הוא הניסיון לשלב לא רק שם טכני של שירות, אלא גם משמעות פונקציונלית ואמון. כלומר, כלי אינו מזוהה רק לפי כתובת או endpoint, אלא לפי מה שהוא יודע לעשות, לאיזה ארגון הוא שייך, ומהו ההקשר שבו ראוי להשתמש בו.
המשמעות היא שסוכן AI יכול לשאול, למשל, על כלי שמתאים לפעולה מסוימת בתחום מסוים, ולצמצם את החיפוש דרך היררכיית שמות לוגית. הדבר חשוב במיוחד בארגונים, שבהם כלי דומה עשוי להתקיים בכמה מחלקות, רמות הרשאה או סביבות אמון שונות.
שלושת השיפורים הפרוטוקוליים
החוקרים מציגים שלושה שיפורים שתואמים את רוח פרוטוקול ה-DNS ואינם מחייבים המצאה של אינטרנט חדש. הראשון הוא partially unfolded names — שמות פתוחים חלקית, שמאפשרים לחשוף רק חלק מהמבנה הסמנטי או הארגוני של הכלי, ובכך לתמוך בחיפוש הדרגתי ובצמצום מרחב אפשרויות.
השני הוא EDNS0 intent payloads — שימוש בהרחבת EDNS0 כדי להעביר מטעני כוונה. EDNS0 היא הרחבה קיימת ל-DNS, והחוקרים מציעים להשתמש בה כדי לצרף מידע נוסף על מטרת השאילתה של הסוכן, כך שהפתרון יהיה לא רק טכני אלא גם סמנטי.
השלישי הוא logical subdomains — תתי-דומיינים לוגיים, שמאפשרים לארגן כלים לפי פונקציה, תחום, ארגון, הרשאה או שכבת אמון. באמצעות תתי-דומיינים כאלה ניתן לבצע pruning סמנטי, כלומר לסנן מראש אזורים לא רלוונטיים של מרחב הכלים.
בנצ׳מרק והערכת ביצועים
כדי לבדוק את הגישה, החוקרים בנו ושחררו בנצ׳מרק רחב היקף והטרוגני הכולל 33,688 כלים אמיתיים מהעולם. הכלים בבנצ׳מרק מגיעים ממספר משפחות ופרוטוקולים מרכזיים, בהם MCP, A2A, RESTful ו-Skill protocols. זהו פרט חשוב משום שהבעיה של גילוי כלים אינה מוגבלת לפרוטוקול יחיד; עולם כלי ה-AI מפוצל מאוד, ופתרון מעשי חייב להתמודד עם ריבוי תקנים, ממשקים ותיאורים.
בהערכה על מערך נתונים זה, ToolDNS הצליח לצמצם את מרחב החיפוש לכל שאילתה ב-95.26%. כלומר, במקום שהסוכן יצטרך לשקול כמעט את כל הכלים הקיימים, המערכת מפחיתה באופן דרמטי את מספר המועמדים שצריך לבדוק לעומק. לפי המאמר, הפחתה זו מושגת תוך שמירה על דיוק אחזור התואם שיטות state-of-the-art, כלומר ToolDNS אינו מקריב איכות התאמה רק כדי להשיג מהירות.
יתרונות ביצועים ותשתית
יתרון נוסף שמודגש במאמר הוא ש-DNS מבוסס ברובו על UDP ונהנה מתשתיות caching, ביזור ושרידות שקיימות כבר בכל רחבי האינטרנט. בהשוואה לרישומי כלים מבוססי HTTP, החוקרים טוענים שעיצוב UDP-native מפחית את זמן הגילוי בסדרי גודל. המשמעות המעשית היא שגילוי כלי יכול להפוך מפעולה כבדה יחסית לפעולת תשתית קלה ומהירה.
בנוסף, שימוש ב-DNS עשוי להפחית תלות בגופים מרכזיים. במקום מאגר אחד שמחליט אילו כלים קיימים ואיך הם מדורגים, ניתן לבזר אחריות בין ארגונים, דומיינים ותתי-דומיינים. כך מתקבלת ארכיטקטורה שמתאימה יותר לאינטרנט פתוח ורב-שחקנים.
מסקנות ומשמעות רחבה
המסקנה המרכזית של המאמר היא שסקיילביליות באינטראופרביליות של AI אינה מחייבת עוד שכבת middleware מורכבת, אלא ניצול חכם יותר של תשתית קיימת. ToolDNS מציע לראות ב-DNS לא רק מנגנון לתרגום שמות לכתובות, אלא שכבת גילוי סמנטית עבור כלים שסוכני AI יוכלו להשתמש בהם.
התרומה של המחקר היא גם קונספטואלית וגם אמפירית: מצד אחד, הוא מציע שינוי פרדיגמה באופן שבו חושבים על גילוי כלים; מצד שני, הוא מדגים את הפוטנציאל על בנצ׳מרק גדול עם 33,688 כלים ומדווח על צמצום של 95.26% במרחב החיפוש. אם רעיון זה יאומץ, הוא עשוי להפוך את גילוי הכלים עבור סוכני AI לתהליך מהיר, מבוזר, אמין וזול יותר.
היילייטס
- ToolDNS מציע להשתמש ב-DNS כתשתית לגילוי כלי AI, במקום לבנות רישום מרכזי או שכבת middleware חדשה.
- הגישה ממירה חיפוש סמנטי יקר במורכבות O(N) לסדרת פתרונות שם קלים במורכבות O(log N), באמצעות מרחב שמות היררכי.
- המחקר מציג שלושה שיפורים תואמי פרוטוקול: שמות פתוחים חלקית, מטעני כוונה ב-EDNS0 ותתי-דומיינים לוגיים.
- בהערכה על 33,688 כלים אמיתיים, ToolDNS צמצם את מרחב החיפוש לכל שאילתה ב-95.26% תוך שמירה על דיוק אחזור ברמת state-of-the-art.
- העיצוב המבוסס UDP צפוי להפחית latency בסדרי גודל ביחס לרישומי כלים מבוססי HTTP.
שאלות נפוצות
מהי ToolDNS, ולמה היא עשויה לשנות את האופן שבו סוכני AI מגלים כלים בקנה מידה גדול?
ToolDNS היא מסגרת שמציעה לבצע גילוי סמנטי של כלים באמצעות תשתית ה-DNS, במקום להסתמך על רג'יסטרים מרכזיים או מנועי חיפוש ייעודיים. הרעיון המרכזי הוא להטמיע כוונה פונקציונלית ואמון ארגוני בתוך מרחב שמות היררכי, כך שתהליך הגילוי יהפוך מחיפוש סמנטי יקר לסדרת פתרונות שמיים קלים יותר. לפי המחקר, הגישה הזו נועדה להתמודד עם מציאות שבה סוכני AI צריכים לנווט בין מיליוני כלים, בעוד פתרונות קיימים סובלים ממורכבות של O(N) וממודל ממשל ריכוזי. ToolDNS מציעה חלופה מבוזרת, שמנצלת תשתית אינטרנט קיימת ועמידה במקום להוסיף שכבת תיווך חדשה ושברירית.
כיצד ToolDNS משפרת את הסקלביליות של גילוי כלים עבור סוכני AI?
השיפור המרכזי נובע מהמרת בעיית החיפוש ממרחב חיפוש ליניארי למנגנון פתרון שמות היררכי. במקום לסרוק או לדרג מספר גדול מאוד של כלים בכל שאילתה, ToolDNS ממפה את תהליך הגילוי לפתרונות שם בעלי מורכבות O(log N). במבחן רחב היקף שכלל 33,688 כלים מהעולם האמיתי, הפרוסים על פני פרוטוקולים כמו MCP, A2A, RESTful ו-Skill, המערכת צמצמה את מרחב החיפוש לכל שאילתה ב-95.26%, תוך שמירה על דיוק שליפה ברמת state-of-the-art. המשמעות היא שסוכני AI יכולים להגיע לכלים רלוונטיים במהירות וביעילות רבה יותר, גם כאשר מאגר הכלים ממשיך לגדול.
למה המחקר טוען ש-DNS עדיף על רג'יסטרים מבוססי HTTP לצורך גילוי כלים?
המחקר מדגיש ש-DNS הוא אחד המנגנונים העמידים והמבוזרים ביותר באינטרנט, ולכן מתאים במיוחד לבעיית גילוי כלים בקנה מידה גדול. בעוד רג'יסטרים מבוססי HTTP נוטים להיות ריכוזיים ולייצר תקורות גבוהות יותר, ToolDNS נשענת על עקרונות פעולה טבעיים של DNS, כולל פתרון שמות היררכי ותפעול קל משקל. בנוסף, המחברים מציינים שעיצוב UDP-native מפחית את זמן הגילוי בסדרי גודל בהשוואה לרג'יסטרים מבוססי HTTP. לכן היתרון אינו רק תאורטי או ארכיטקטוני, אלא גם ביצועי: פחות השהיה, פחות עומס, ויכולת טובה יותר לתמוך באינטראופרביליות של סוכני AI.
אילו מנגנונים טכניים חדשים מוסיפה ToolDNS כדי לאפשר גילוי סמנטי וממשל מבוזר?
המחקר מציג שלוש הרחבות תואמות-פרוטוקול שנועדו לאפשר pruning סמנטי וממשל מבוזר: שמות שנפרסים באופן חלקי, מטעני כוונה באמצעות EDNS0, ותתי-דומיינים לוגיים. המשמעות המעשית היא שלא מדובר רק בשימוש "רגיל" ב-DNS, אלא בהתאמה שמאפשרת לקודד מידע על כוונה פונקציונלית ואמון ארגוני בתוך מנגנון פתרון השמות עצמו. כך אפשר לצמצם מוקדם את מרחב האפשרויות, להפנות שאילתות בצורה חכמה יותר, ולבנות שכבת גילוי שבה הבעלות והניהול מפוזרים בין גורמים שונים במקום להתרכז בגוף יחיד.
מה הייתה מתודולוגיית ההערכה של המחקר, ומהם הממצאים המרכזיים?
המחקר בנה ושחרר בנצ'מרק הטרוגני רחב היקף, שכלל 33,688 כלים אמיתיים ממספר פרוטוקולים וסביבות שימוש. מטרת ההערכה הייתה לבדוק האם הגישה אכן מצליחה לשפר את יעילות הגילוי בלי לפגוע בדיוק השליפה. הממצא המרכזי הוא ש-ToolDNS הפחיתה את מרחב החיפוש לכל שאילתה ב-95.26%, תוך התאמה לדיוק שליפה שנחשב state-of-the-art. בנוסף, הארכיטקטורה מבוססת UDP הפחיתה את זמן הגילוי באופן משמעותי ביחס לחלופות מבוססות HTTP. יחד, שני הממצאים מצביעים על כך שהשיטה גם יעילה יותר חישובית וגם מהירה יותר תפעולית.
מהי ההשפעה הרחבה של המחקר על עתיד האינטראופרביליות בין סוכני AI לכלים?
המסר הרחב של המחקר הוא שאינטראופרביליות סקלאבילית של AI אינה מחייבת עוד שכבת middleware, אלא שימוש חכם יותר בתשתית שכבר קיימת מתחת לפני השטח. במקום לבנות עוד מערכת ריכוזית לניהול וגילוי כלים, המחברים מציעים למנף את ה-DNS כתשתית מבוזרת, אמינה ומוכרת. אם גישה זו תאומץ, היא עשויה לשנות את הדרך שבה סוכני AI ניגשים לאקוסיסטם של כלים: פחות תלות ברשומות מרכזיות, יותר עמידות, פחות השהיה, ויכולת טובה יותר לפעול בסביבות פתוחות ומרובות ספקים. במילים אחרות, המחקר מציע לא רק שיפור נקודתי בביצועים, אלא כיוון ארכיטקטוני חדש לגילוי כלים באינטרנט של סוכנים אוטונומיים.