대형 언어 모델 (LLM) 기반 에이전트 생태계가 급격히 확장함에 따라, 효율적이고 정확한 에이전트 발견은 대규모 다중 에이전트 협업의 핵심 병목 현상이 되었습니다. 기존 접근 방식은 일반적으로 다음과 같은 딜레마에 직면해 있습니다: 중량형 LLM 을 의도 분석 (intent parsing) 에 의존하여 prohibitive latency (보통 30 초 이상) 를 유발하거나, 속도 향상을 위해 의미론적 정밀도를 희생하는 단일 벡터 검색을 사용하는 것입니다. 이러한 격차를 해소하기 위해 우리는 extbf{GRAIL} (Granular Resonance-based Agent/AI Link) 을 제안하며, 이는 정확성을 훼손하지 않으면서 400ms 미만 발견 지연 (latency) 을 달성합니다. GRAIL 은 세 가지 핵심 혁신을 도입했습니다: (1) extbf{SLM-Enhanced Prediction}, 일반화된 LLM 파서 대신 밀리초 수준의 능력 태그 예측을 위한 전용 미세 조정된 소형 언어 모델 (SLM) 을 대체; (2) extbf{Pseudo-Document Expansion}, 에이전트 설명에 합성 쿼리를 추가하여 의미론적 밀도를 향상시키고 강력한 밀도 검색 (dense retrieval) 을 가능하게 함; 그리고 (3) extbf{MaxSim Resonance}, 사용자 쿼리와 이산 에이전트 사용 예시 간의 최대 유사성을 계산하는 정밀한 매칭 메커니즘으로, 의미론적 희석 (semantic dilution) 을 효과적으로 완화합니다. extbf{AgentTaxo-9K}라는 새로운 대규모 데이터셋 (9,240 개 에이전트) 에서 검증된 결과, GRAIL 은 LLM 파싱 기준선과 비교하여 엔드 투 엔드 발견 지연을 extbf{79$ imes$} 이상 줄였으며, 전통적인 벡터 검색에 비해 Recall@10 에서 유의미하게 우수합니다. 이 프레임워크는 실시간