OpenAgenet(OAN)初探:面向智能体互联网的资源注册与发现基础设施

简介: OpenAgenet(OAN)是面向智能体互联网的开源基础设施,聚焦解决Agent调用外部资源时的核心难题:可信注册、语义发现、跨节点协作与第三方接入。它将MCP Server、Skill等抽象为可验证、可治理的结构化资源,构建注册/发现/索引/SDK全栈能力,推动智能体生态从“手工配置”迈向可信互联。(239字)

最近一段时间,Agent、MCP Server、Skill、工具服务这些词出现得越来越频繁。很多团队都在做智能体应用,但做着做着会遇到一个很现实的问题:

智能体要调用外部能力时,资源到底怎么管理?

  • 资源是谁发布的?
  • 能不能信?
  • 怎么注册?
  • 怎么发现?
  • 能不能跨节点协作?
  • 第三方节点怎么接入?

我最近在看一个开源项目 OpenAgenet(OAN),它切的就是这类基础问题。
它不是一个单纯的资源目录,而是尝试围绕智能体互联网,建立一套资源可信注册、授权分发、语义发现和节点互联机制。

项目地址:


1. 先说场景:为什么智能体系统会卡在“资源接入”这一步?

现在很多 Agent 应用已经能做推理、规划、调用工具了,但一旦外部能力变多,问题就开始显现。

比如一个 Agent 需要:

  • 读取文档
  • 搜索资料
  • 调用内部 API
  • 使用某个 Skill
  • 连接某个 MCP Server
  • 访问某个组织内服务

这时候最麻烦的不是“能不能调用”,而是:

  1. 有没有统一的资源表达方式
  2. 资源是否可信
  3. 资源适合什么场景
  4. 资源能否被机器自动发现
  5. 不同组织、不同节点之间如何互通

如果这些问题没有被抽象清楚,最后就会退化成:

  • README 里贴链接
  • 文档里写地址
  • 配置文件里手工改 endpoint
  • 需要人去判断能不能用

对于小规模系统,这勉强能跑。
但对于真正的智能体生态,这种方式很难扩展。


2. OAN 想解决什么

我对 OAN 的理解是:它在尝试把“智能体资源”做成一类可治理对象。

这里的资源,不只是一段 URL,可能包括:

  • MCP Server
  • Agent Skill
  • 工具 API
  • 知识服务
  • 自动化工作流
  • 智能体服务入口

OAN 的思路是,把这些资源抽象成可以:

  • 注册
  • 校验
  • 验证
  • 发现
  • 分发
  • 跨节点协作

的结构化对象。

换句话说,它更像是智能体互联网里的“资源基础设施”。


3. OAN 的工程结构大致是什么样

从我看的材料里,OAN 目前核心上可以理解成几类组件:

3.1 根节点

负责网络中的基础治理、授权和可信配置。
它更像是整个体系里的治理中枢,而不是普通业务服务。

3.2 注册节点

面向资源发布者。
资源提交到注册节点后,会经历元数据校验、授权域检查、结构化整理等流程。

3.3 发现节点

面向资源使用者和智能体。
它不只是做关键词搜索,而是提供更偏语义化的资源发现能力。

3.4 Indexer

用于索引和查询支撑。
它帮助把注册记录、治理状态、节点信息串起来,提高检索和验证效率。

3.5 SDK / Skill

这是工程落地里比较重要的一层。
如果没有 SDK 和 Skill,很多能力只会停留在文档层。
做成 SDK / Skill 后,开发者和智能体运行环境才能更直接地接入。


4. 我比较关注的几个设计点

4.1 资源身份不是可选项

在很多系统里,资源只是“有个接口地址”。
但在智能体互联场景里,这远远不够。

OAN 里引入 DID、资源元数据、授权域、能力标签等信息,本质上是在回答:

  • 这个资源是谁的
  • 它是什么类型
  • 它能做什么
  • 它是否被授权
  • 它适合被谁发现和使用

这类设计的价值在于:
让资源从“地址”变成“可验证对象”。

4.2 语义发现比关键词检索更贴近 Agent

Agent 的需求通常不是精确关键词,而是任务意图。

比如它可能说:

我需要一个能分析合同、提取条款并提示风险的服务

这时候,如果发现系统只支持关键词,就会比较吃力。
OAN 在发现层强调语义发现,我觉得是符合 Agent 使用习惯的。

4.3 Authorized Domains 不是装饰项

很多平台只看“资源描述”,但 OAN 把授权域单独拿出来,我认为这是比较实用的。

它能表达:

  • 资源适用范围
  • 节点允许接入的边界
  • 不同类别资源的治理约束

这对后续做第三方节点、行业节点、组织内节点都很关键。

4.4 第三方节点接入需要可测试

如果未来不是只有一个官方节点,而是多个注册节点、发现节点并存,那就必须考虑:

  • 接口是否兼容
  • 元数据是否一致
  • 返回结果是否可验证
  • 错误处理是否规范
  • 节点状态是否可判断

所以我理解 OAN 现在在做第三方节点接入测试套件,这一步其实是很工程化的:
没有测试准入,生态就很难真正长出来。


5. OAN 和“普通资源目录”有什么区别

很多人看到这种项目,第一反应可能是:
这不就是一个资源目录吗?

我的看法是:不完全是。

普通目录更像“资源展示”。
OAN 更像“资源治理 + 资源发现 + 节点互联”的组合。

差别主要在这几层:

5.1 不只是展示资源

还要验证资源身份、元数据和授权状态。

5.2 不只是搜索

还要支持面向任务意图的发现。

5.3 不只是单点网站

还要支持不同运营方、不同节点之间的协作。

5.4 不只是人用

还要让 Agent、SDK、Skill 也能直接接入。


6. 如果从开发者视角看,OAN 适合哪些工作落点

6.1 做 Agent 工具平台的人

可以把工具资源结构化,进入统一的注册与发现流程。

6.2 做 MCP Server 的人

可以把服务作为可发现资源来管理,而不是仅靠仓库和文档传播。

6.3 做企业内部智能体平台的人

可以用 OAN 这类思路,把内部资源纳入统一治理。

6.4 做协议、标准和基础设施的人

可以重点看它在资源身份、授权域、节点治理、发现机制上的设计。


7. 我建议先从哪些内容开始看

如果你想快速了解 OAN,建议按这个顺序:

  1. 先看官网和 Docs,了解它的基本概念
  2. 再看资源注册和发现页面
  3. 再看白皮书、黄皮书和设计文档
  4. 最后看 SDK、Skill 和第三方节点测试套件

官网:

GitHub:


8. 一个比较务实的判断

我个人觉得,OAN 这类项目的价值,不在于“又做了一个门户”,而在于它开始认真处理智能体互联网里几个基础但绕不开的问题:

  • 资源怎么表示
  • 资源怎么被信任
  • 资源怎么被发现
  • 资源怎么跨节点流通
  • 第三方节点怎么接入
  • Agent 怎么真正用起来

这几个问题,短期看像基础设施,长期看其实决定了生态能不能长出来。


9. 结语

如果你现在也在做 Agent、MCP、Skill、工具服务,或者在研究智能体互联相关方向,OAN 值得看一看。

它不一定是最终答案,但它至少把几个关键问题摆到了台面上:

  • 资源身份
  • 授权边界
  • 语义发现
  • 节点协作
  • 接入测试

这些问题,迟早都会变成智能体平台绕不过去的工程问题。

相关文章
|
2月前
|
API 开发工具 决策智能
为什么多智能体协作正在从应用问题变成基础设施问题
随着智能体从单点应用走向跨组织、跨平台协作,核心问题不再只是“能否调用”,而是资源能否被可信注册、验证、分发和发现。OpenAgenet(OAN)将 Agent Service、Skill、MCP Server、Tool/API 等统一视为可治理资源,通过 did:oan、ResourcePackage、Root Proof、Discovery 和 SDK/Skill 等机制,构建面向智能体互联网的身份、信任与发现基础设施,降低生态碎片化和接入摩擦。
|
2月前
|
人工智能 算法 机器人
10个行业AI搜索获客实战:从本地餐饮到工业制造的GEO策略
AI搜索正取代传统SEO,用户从“点击链接”转向“直接要答案”。本文基于餐饮、装修、法律等10大行业实战,揭示GEO(生成式引擎优化)本质:不求被搜到,而要成为AI主动推荐的“唯一答案”。通过认知重塑、策略原点、行业剖解与系统飞轮四步,助企业预制结构化“答案单元”,抢占AI时代获客先机。
236 2
|
2月前
|
数据采集 存储 前端开发
某乎爬虫进阶:爬取问题+回答+用户信息,构建知识图谱数据源
本文详解如何爬取知乎问题、回答及用户信息构建知识图谱:突破SSR渲染与反爬限制,采用API直调+Cookie认证+UA池+隧道代理方案;设计三表实体模型(问题/回答/用户),支持关系抽取与Neo4j存储,兼顾合规性与实用性。(239字)
265 2
|
2月前
|
人工智能 数据可视化 数据挖掘
Harness工具是什么?Harness可为AI编程工具扩展联网搜索、代码解释器、网页抓取等能力
Harness是阿里云百炼Token Plan为Qwen系列模型(如Qwen3.8-Max-Preview)内置的增强工具集,支持联网搜索、代码解释器、网页抓取、文搜图、图搜图等能力,按调用次数计费,从套餐Credits中抵扣,开箱即用,无需额外配置。在阿里云百炼官网:https://t.aliyun.com/U/fPVHqY 免费领取千万Tokens
|
2月前
|
Web App开发 人工智能 JavaScript
折腾了一圈桌面Agent之后,我把经验一次性写清楚
本文深度解析桌面AI Agent:厘清其“操作电脑”原理(截图识别+API调用双路径)、与OpenClaw的“引擎vs整车”关系,并实测主流产品在文件整理、竞品调研等场景表现,坦诚揭示指令模糊、长链路易断等真实短板,强调“人机协作”本质。(239字)
229 2
|
2月前
|
SQL 人工智能 安全
企业级 AI Agent 的安全防护实践:防止提示注入与数据泄露
AI Agent正重塑企业安全边界:其自主调用API、数据库、知识库等能力,在提升自动化效率的同时,也引入提示注入、工具滥用、记忆污染等新型风险。本文系统剖析十大威胁与防护策略,提出“模型管推理、系统管安全”的多层防御架构,涵盖输入检测、Prompt隔离、工具白名单、RAG权限治理及全链路审计,助力企业构建可信AI智能体。
363 0
|
2月前
|
人工智能 安全 API
AI 应用软件的开发费用
AI应用开发费用差异大:PoC仅3-15万元,企业级可达200万+。除一次性研发费外,还需持续承担模型算力、Token消耗等动态成本。人力占70%以上,公有云API按量计费,私有化部署需GPU投入。合理选型、混合路由与语义缓存可有效控本。(239字)
|
2月前
|
人工智能 移动开发 前端开发
文章转视频用什么软件?图文作者开源自动化工作流的真实复盘
本文为公众号图文作者量身打造,详解“文章→视频”自动化方案:从GPT-SoVITS配音、Whisper对齐、Manim/Stable Diffusion生成画面,到FFmpeg/花生AI合成的全开源管线;再升级至花生AI半自动打包流程。含可运行代码、避坑指南与成本对比,实现低成本批量出片。
|
2月前
|
人工智能 自然语言处理 机器人
AI Agent 工程实践:从大语言模型到自主任务执行系统的架构演进
AI Agent 是让大模型从“能聊”走向“能干”的关键架构:它融合感知、规划、工具调用、记忆与反馈,构建可执行复杂任务的智能系统。不同于聊天机器人,Agent 能自主拆解目标、调用API、跨步执行并持续优化,正成为企业智能化的新基建。
542 3

热门文章

最新文章