GRAIL：经SLM增强索引实现实时智能体发现的深粒度混合共振框架

随着基于LLM的智能体生态快速扩张，高效而准确的智能体发现成为大规模多智能体协作的关键瓶颈。现有方法面临两难：依赖重量级LLM做意图解析导致过高时延（常超30秒），或使用单体向量检索以牺牲语义精度换速度。为弥合差距，我们提出GRAIL（Granular Resonance-based Agent/AI Link），一个在不牺牲精度的情况下实现亚400毫秒发现时延的新框架。GRAIL引入三项关键创新：(1) SLM增强预测：以专门微调的小语言模型（SLM）替代通用LLM解析器，做毫秒级能力标签预测；(2) 伪文档扩展：为智能体描述增补合成查询以增强语义密度，支撑稳健的稠密检索；(3) MaxSim共振：细粒度匹配机制，计算用户查询与离散智能体使用示例间的最大相似度，有效缓解语义稀释。在新构建的9,240智能体大规模数据集AgentTaxo-9K上验证，GRAIL较LLM解析基线把端到端发现时延降低超过79倍，同时在Recall@10上显著超越传统向量检索。该框架为实时「智能体互联网」提供可扩展的工业级方案。