AI Agent 能力发现开发指南

什么是 Capability Discovery for AI Agents

能力发现是 AI 应用根据当前任务寻找、理解、评估和选择外部工具的能力。能力可以是 API、数据查询、文档解析、合规检查、市场数据或受控动作。

传统方式由开发者提前选择供应商并写死工具列表；动态 AI agent tool discovery 从意图出发，在运行时搜索目录、检查匹配工具，只向模型或路由策略暴露最相关候选。

MCP Tool Discovery 与此相关但不完全相同。MCP 客户端可以枚举服务器工具，但连接多个服务器后仍需要跨目录搜索、排序、去重、成本、权限和路由。能力发现位于单个连接之上。

缺少 AI Agent Capability Discovery 的问题

没有发现层时，开发者需要研究每份 API 文档、比较覆盖和价格、构建适配器并决定 Agent 能看到哪些工具。

• 工具定义硬编码在代码或提示词中，供应商变化后容易过期。
• 加载大量 schema 浪费上下文，并增加相似工具选择错误。
• Agent 无法扩展到尚未部署的新任务。
• 认证、限流、重试、分页和归一化在多个产品中重复建设。
• 权限、成本、地区和商业授权很难动态治理。

金融场景更复杂：行情、基本面、公告、预期、合规、宏观和加密来自不同来源，ticker、财年、调整规则和单位也可能不同。

QVeris Capability Discovery 如何工作

from qveris import QverisClient



discovered = await client.discover(

    "美国股票实时价格，包含交易所和时间戳",

    limit=8,

)

for tool in discovered.results:

    print(tool.tool_id, tool.name)

ids = [x.tool_id for x in discovered.results[:3]]

inspected = await client.inspect(

    ids, search_id=discovered.search_id

)

for tool in inspected.results:

    print(tool.params, tool.stats, tool.billing_rule)

selected = inspected.results[0]

response = await client.call(

    selected.tool_id,

    {"ticker": "AAPL"},

    search_id=discovered.search_id,

    max_response_size=20_480,

)

if not response.success:

    raise RuntimeError(response.error_message)

print(response.result)

Discover 与 Inspect 免费；注册验证后提供1,000一次性试用积分，官方价格页列出 $19 对应10,000 Pro积分。购买的充值积分不过期；试用或促销积分可能另有条款。调用前核对当前计费与续费条款。

Capability Discovery 为什么对金融 Agent 重要

“解释今天股价变化”可能需要实时行情、成交量、公告、财报、新闻、行业表现和宏观事件。传统团队可能分别接入 Polygon、Finnhub、Alpha Vantage、SEC EDGAR 和其他提供商。

QVeris 通过统一发现层提供 10,000 多项能力。应用可按需求搜索、比较 Inspect metadata，并动态选择来源。发现负责产生候选，AI agent capability routing 再按照 schema、权限、地区、延迟、成功率、质量和价格进行过滤与排序。

Capability Discovery 与传统工具集成对比

延迟敏感或专有数据可以继续直接接入，长尾研究和新用户需求则使用动态发现，形成混合架构。

构建 Dynamic Capability Discovery Agent

完整代码应执行用户需求 → Discover → Inspect → 策略选择 → Call，并返回 search ID、tool ID 和 execution ID。英文版本提供可运行完整代码。生产系统应加入 allowlist、schema 验证、成本上限、时效要求和租户权限。

生产路由与评估

记录所有候选、拒绝原因、选中工具、参数、延迟、结果有效性和费用。评估检索召回率、top-k 相关性、schema 匹配、执行成功率和错误工具选择。语义相关并不代表工具支持所需地区、交易所或更新频率。

企业用户还需要按租户配置供应商、地区、预算和合规权限。可以缓存稳定意图的搜索结果，但 schema 或运营信息变化后必须重新 Inspect，缓存不能绕过当前授权。

AI Agent 工具发现的生产环境设计

建立可检索的能力索引

高质量发现不能只依赖向量相似度，还需要完整元数据。索引中应包含能力名称、 描述、参数名、输出字段、提供商覆盖、地区、数据新鲜度、认证要求和示例， 并为资产类别、文档类型、动作风险和数据延迟建立受控分类体系。 混合检索可以用关键词匹配“10-K”这类精确概念，再用语义检索理解 “最近的年度申报文件”等更宽泛请求。

能力索引需要版本化，并保留每次路由决策使用的元数据。当描述或 Schema 发生变化时，团队应能够复现旧请求为何选择了某个工具。相关性调优应基于 真实用户任务和人工标注的可接受工具，而不是只看通用相似度分数。

在工具进入模型上下文前执行安全过滤

候选工具进入模型上下文前，应先按租户权限、数据合同、地区、环境和动作风险 过滤。只读研究工具可以自动开放；交易、账户修改或涉及个人信息的能力， 则需要更严格的授权与确认。API 凭证必须留在可信执行层，不能写入提示词。

工具描述和返回内容都应视为不可信输入。提供商响应可能包含看似指令的文本， 因此要把数据与系统指令分离，验证结构化输出，限制响应大小，并在结果重新进入 推理循环前删除不受支持的字段。

设计回退时不要掩盖数据差异

回退机制不能静默地用另一套数据替换原数据。不同提供商可能在复权规则、 时间戳、币种、交易场所和授权条件上存在差异。只有满足同一研究契约的能力 才能归入等价组；发生供应商切换时，应在日志与下游结果中明确标注来源变化。

对持续失败的工具使用熔断器，并让临时健康状态参与排序。但运行成功率不能 凌驾于 Schema 相关性和用户权限之上：缺少必需字段或目标市场时， 响应最快的工具也不是正确工具。

AI Agent Tool Discovery 使用场景

发现扩大 Agent 可以考虑的能力，路由策略则限定它真正可以执行的范围。

开始使用 AI Agent Tool Discovery

Discover 与 Inspect 免费；注册验证后提供1,000一次性试用积分，官方价格页列出 $19 对应10,000 Pro积分。购买的充值积分不过期；试用或促销积分可能另有条款。调用前核对当前计费与续费条款。

应用可以使用 Python SDK，也可以通过 MCP 接入 Claude Code、Cursor 和 OpenCode。先从狭窄意图和 allowlist 开始，检查 schema、小预算测试 Call，再增加路由规则和评估案例。部署前查看最新文档。

为什么 Capability Discovery for AI Agents 很重要

Agent 不能依靠不断增长的静态函数列表实现通用能力。它需要受控地寻找相关工具、理解契约、按策略选择并执行，同时保留可追踪结果。

capability discovery for AI agents 的核心价值不是无限开放工具，而是让从意图到正确授权工具的路径可以搜索、解释、审计并控制成本。

MCP Tool Discovery 官方资料

• MCP 官方文档
• Anthropic Tool Use
• QVeris Python SDK
• QVeris MCP Server