Tool Auto Discovery — Agent 工具自动发现：OpenAPI + MCP Schema 自注册

Skill-Tool-Auto-Discovery · 16-智能体工程

causalexperimentmulti_agentpricing广告与投放供应链与补货数据采集与治理MAS与智能体工程定价与利润WF-A 智能补货WF-B 广告优化WF-E Review监控WF-F 动态定价

实现难度⭐⭐⭐☆☆

业务优先级⭐⭐⭐⭐⭐

业务视角

适用角色CTO / 技术负责人 · 产品经理 · 数据工程师

适用平台跨境运营 AI Agent 工程落地 · Amazon SP API + LLM 集成 · 多平台数据采集 Agent

什么情况下用想把 AI 集成到业务系统，但 LLM 稳定性差、幻觉问题、成本控制都是挑战；Agent 任务失败了不知道哪步出了问题

成功是什么样的AI Agent 在生产环境稳定运行，失败可追踪，成本可控，复杂任务完成率 >85%

业务痛点

LLM 返回结果不稳定不可靠AI 幻觉导致业务决策错误Agent 任务失败了不知道哪步出问题AI 调用成本控制不住

1. 解决的问题

当 Agent 系统规模膨胀至 100+ 工具时，手动注册成为瓶颈：每次新 API 上线都需要开发者手工编写 ToolDefinition、更新路由表、验证参数类型——一个典型企业集成需要 2 个工作日。

2. 核心算法逻辑

3. 业务应用场景

背景：供应商 SupplyX 开放 MOQ 查询 API，提供标准 OpenAPI schema。

传统方式：后端工程师阅读文档 → 编写 ToolDefinition → 更新 SkillRegistry → 测试联调 → 部署（约 2 天）

ROI：接入时间从 2 天→30 分钟，节省 90%+ 开发成本。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

✅ 多供应商 API 集成（供应链、物流、广告平台）
✅ API 版本频繁迭代的平台（TikTok/Meta/Google Ads）
✅ 快速构建 MAS PoC（无需手写工具注册代码）
❌ 内部私有 API（无标准 schema，需手工适配）
❌ 高安全要求场景（自动发现需额外审计）

7. 代码模板

代码块数量：4 · 路径：paper2skills-code/llm_agent_engineering/tool_auto_discovery

from tool_auto_discovery import AutoDiscoveryRegistry, OpenAPIParser

registry = AutoDiscoveryRegistry()

# 方式1：从 OpenAPI schema 发现
tools = registry.discover_from_schema(openapi_schema, source="supplyx")
print(f"注册了 {len(tools)} 个工具")

# 方式2：从 MCP list_tools 发现
mcp_tools = registry.discover_from_mcp(mcp_list_tools_response)

# 查询活跃工具（按质量排序）
active = registry.get_active_tools(min_success_rate=0.8)

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。