ToolDNS：将DNS改造为AI工具发现协议

在自主AI代理日益普及的今天，如何让代理高效发现并调用数以百万计的AI工具，已成为技术领域面临的核心挑战。现有的工具发现机制，无论是集中式注册表还是基于HTTP的搜索服务，都在面对大规模工具集时暴露出性能瓶颈和单点故障风险。针对这一问题，一篇发表于arXiv的新论文提出了一个颠覆性的思路：将工具发现直接嵌入互联网最古老也最稳健的基础设施——域名系统（DNS）。

这篇题为《AI Tool Discovery at Scale: All You Need is DNS》的研究，提出了名为ToolDNS的框架。该框架的核心洞察在于，DNS本身就是一个天然的、分布式的、可扩展的命名系统，其分层结构非常适合用来组织和管理AI工具的功能描述与访问路径。传统的工具发现方法通常需要遍历整个工具库，复杂度为O(N)，当工具数量达到百万级别时，这种线性搜索的效率将难以接受。而DNS的查询机制天然具备O(log N)的复杂度，通过将工具的功能语义编码到域名中，ToolDNS能够将语义搜索转化为一系列轻量级的域名解析请求。

具体而言，ToolDNS引入了三种协议兼容的增强机制来实现去中心化治理和语义剪枝。首先是“部分展开名称”，允许在域名中嵌入工具的功能类别、输入输出类型等语义信息，从而在解析过程中逐步缩小搜索范围。其次是“EDNS0意图载荷”，利用DNS扩展机制（EDNS0）在查询包中携带更丰富的意图描述，使DNS服务器能够根据代理的具体需求进行更精准的匹配。最后是“逻辑子域”，通过创建逻辑上的子域来反映组织信任关系和工具层级，使得不同团队或组织可以独立管理自己的工具命名空间，同时保持全局的可发现性。

为了严格评估ToolDNS在碎片化工具环境中的表现，研究团队构建并发布了一个大规模异构基准数据集，包含33,688个真实世界的AI工具，涵盖了MCP、A2A、RESTful和Skill等多种协议。这些工具来自不同的开发者和组织，其接口、协议和数据格式各不相同，真实反映了当前AI工具生态的多样性和复杂性。在该数据集上的实验结果显示，ToolDNS将每次查询的搜索空间削减了95.26%，这意味着代理在查找工具时，只需检查不到5%的候选工具，就能找到最匹配的选项。同时，ToolDNS的检索精度与当前最先进的语义检索方法相当，没有因为搜索空间的缩小而牺牲准确性。

性能方面，ToolDNS的UDP原生设计带来了显著的延迟优势。与基于HTTP的工具注册表相比，UDP协议的无连接特性消除了三次握手和TLS协商的开销，使得工具发现的延迟降低了数个数量级。对于需要实时响应的自主代理而言，这种延迟的降低至关重要，它直接影响到代理执行复杂任务时的流畅度和用户体验。

这项研究的深远意义在于，它挑战了“解决新问题需要引入新中间件”的传统思路。ToolDNS没有构建另一个脆弱的覆盖网络，而是巧妙地利用了互联网已经存在且经过数十年考验的DNS基础设施。这种“向下看”而非“向上堆”的方法论，为AI互操作性提供了一条更可持续、更可扩展的路径。未来，随着更多工具被纳入这套基于DNS的发现体系，AI代理将能够像人类使用搜索引擎一样，轻松地在全球范围内找到并使用任何所需的AI能力，而无需担心底层基础设施的复杂性。