Molayo

© 2026 Molayo

🤗 HF헤드라인2026. 06. 18. 01:22

에이전트 기반 리소스 검색 (Agentic Resource Discovery): 에이전트가 검색하게 하라

요약

Agentic Resource Discovery(ARD)는 에이전트가 런타임에 필요한 도구와 기능을 동적으로 검색할 수 있도록 정의된 개방형 표준 사양입니다. 기존의 수동 설치 방식이나 컨텍스트 주입 방식의 한계를 극복하여, 의도 기반의 검색을 통해 에이전트 생태계를 확장하는 것을 목표로 합니다.

핵심 포인트

  • ARD는 에이전트와 도구가 연합 레지스트리를 통해 상호작용하는 개방형 표준 사양임
  • 기존 '선 설치, 후 사용' 방식의 확장성 문제를 의도 기반 검색으로 해결
  • 정적 매니페스트(ai-catalog.json)와 동적 레지스트리 API를 통해 기능 인덱싱
  • Hugging Face는 ARD의 참조 구현체로서 Discover Tool을 제공함

Agentic Resource Discovery (ARD) 사양은 이들 앞에 위치하는 검색 계층(discovery layer)입니다. 이는 Microsoft, Google, GoDaddy, Hugging Face 및 기타 기업의 기여자들에 의해 개발되었으며, 업계 전반의 폭넓은 참여가 이루어진 초안 형태의 개방형 사양(open specification)입니다. 이 사양은 에이전트와 도구가 연합 레지스트리(federated registries)를 통해 어떻게 카탈로그화, 인덱싱 및 검색되는지를 정의하며, 이를 통해 에이전트는 기능을 미리 설치할 필요 없이 런타임(runtime)에 해당 기능을 찾을 수 있습니다. 이것은 제품이나 마켓플레이스가 아닙니다. 어떤 기업이든 독립적으로 구현할 수 있고, 어떤 에이전트나 도구든 참여할 수 있는 공유 표준입니다.

이 포스트에서는 해당 사양과 Hugging Face가 이를 어떻게 구현했는지, 그리고 여러분이 어떻게 ARD를 기반으로 구축을 시작할 수 있는지에 대해 살펴보겠습니다.

현재 에이전트 기능의 모델은 '선 설치, 후 사용(install-first, use-later)' 방식입니다. 개발자가 설정 파일에 MCP 서버 URL을 하드코딩합니다. 사용자는 플러그인을 통해 서비스를 자신의 AI 앱에 연결하고 이를 재사용합니다. 이는 에이전트가 매일 사용하는 소수의 도구에는 효과적이지만, 수천 개의 임시 인터페이스(ad-hoc surfaces)로 확장하기에는 무리가 있습니다.

차선책은 사용 가능한 모든 도구 설명을 LLM의 컨텍스트 윈도우(context window)에 쏟아붓고 모델이 선택하게 하는 것입니다. 이는 컨텍스트 예산(context budget)에 의해 제한됩니다. 여기에는 검색 기반 전략도 있지만, 설명이 너무 빈약하여 모호성을 잘 해소하지 못하는 경우가 많습니다.

ARD는 선택 과정을 LLM 외부로 이동시킵니다. 레지스트리는 발행자 신원, 대표 쿼리(representative queries), 준수 인증(compliance attestations) 및 태그와 같은 더 풍부한 신호(signals)를 사용하여 기능을 인덱싱합니다. 이는 REST 엔드포인트를 노출합니다. 클라이언트는 자연어로 검색하며, 모델은 검색 결과로 반환된 무엇이든 호출합니다. 이러한 변화는 수동으로 설치된 정적 카탈로그에서 의도 기반 검색(intent-based search)으로의 전환을 의미하며, 이를 통해 에이전트는 각 기능을 미리 구성하지 않고도 동적으로 적절한 기능을 찾고, 성장하는 MCP 도구, A2A 에이전트 및 기타 서비스 생태계에 도달할 수 있습니다.

이 사양은 두 가지를 정의합니다:

  • ai-catalog.json이라고 불리는 정적 매니페스트(static manifest) 형식

발행자가 잘 알려진 URL에 자신의 기능을 호스팅할 수 있게 합니다. - POST /search 경로의 동적 레지스트리 (dynamic registry) API는 실시간으로 순위가 매겨진 검색 결과를 제공합니다.

Hugging Face Discover Tool은 ARD의 참조 구현체 (reference implementation)입니다. 이는 Hugging Face 및 기타 ARD 검색 서비스 전반에 걸쳐 수천 개의 스킬 (Skills), ML 애플리케이션, 그리고 MCP 서버 (MCP Servers)에 대한 검색 접근을 제공합니다.

이 도구는 Spaces에 대한 Hub의 기존 시맨틱 검색 (semantic search)을 우리의 에이전트 스킬 (Agent Skills)과 결합하여, 그 결과를 ARD 카탈로그 항목으로 제공하는 방식으로 작동합니다. Hub는 이미 Gradio 앱, MCP 서버, 데모가 실행 중인 Spaces의 카탈로그를 호스팅하고 있습니다. Hub의 시맨틱 검색은 에이전트 지향 메타데이터 (agent-oriented metadata)에 따라 순위가 매겨진 Spaces를 반환하는 agents=true 플래그를 지원하며, Discover는 해당 검색을 ARD 사양으로 변환합니다.

어댑터 (adapter)는 두 가지 필터를 적용합니다. 첫째, 응답에는 런타임 단계 (runtime stage)가 RUNNING인 Spaces만 포함됩니다. 둘째, 응답 미디어 타입 (media type)은 요청에 따라 결정됩니다. 세 가지 미디어 타입이 지원됩니다:

  • application/ai-skill: 기본값입니다. Space의 agents.md를 감싸는 생성된 SKILL.md입니다.
  • application/mcp-server+json: mcp-server 태그가 지정된 Spaces를 위한 MCP 서버 카탈로그 항목입니다.
  • application/vnd.huggingface.space+json: 직접 처리하고자 하는 클라이언트를 위한 가공되지 않은(raw) Space 메타데이터입니다.

스킬 (skill) 타입은 추가적인 변환 과정을 거칩니다. 많은 Spaces는 에이전트가 자신과 어떻게 상호작용해야 하는지를 설명하는 agents.md 파일을 포함하여 배포됩니다. Discover는 해당 파일을 읽고 스킬 소비자 (skill consumer)가 기대하는 프론트매터 (frontmatter)인 name, description, 그리고 Space ID, Hub URL, 앱 URL, 원본 agents.md URL을 포함하는 소스 메타데이터로 이를 감쌉니다. 그 결과, 스킬을 인식할 수 있는(skill-aware) 어떤 클라이언트라도 일반적인 스킬 흐름을 통해 설치하거나 로드할 수 있는 스킬이 생성됩니다.

MCP 태그가 지정된 Spaces의 경우, 어댑터는 HTTP 전송을 통해 Space의 Gradio MCP 엔드포인트를 가리키는 카탈로그 항목을 생성합니다. URL은 Hub가 제공하는 경우 Space의 런타임 도메인을 사용하며, 그렇지 않으면 표준 .hf.space 슬러그 (slug) 관례를 사용합니다.

discover

는 Hugging Face CLI (hf)에 내장되어 있습니다. 시작하고 귀하 또는 귀하의 에이전트에게 액세스 권한을 부여하려면 다음과 같이 수행하십시오:

# Hugging Face CLI 도구 설치:
uv tool install huggingface_hub
# 모델 학습을 위한 리소스 검색
...

또한 REST API 또는 MCP 서버를 사용하여 카탈로그를 직접 검색할 수도 있습니다.

Hugging Face 카탈로그는 잘 알려진 URL에 게시됩니다:

검색을 직접 호출하려면:

POST https://huggingface-hf-discover.hf.space/search

curl -s https://huggingface-hf-discover.hf.space/search \
-H "Content-Type: application/json" \
-d '{
...

MCP 서버 검색

curl -s https://huggingface-hf-discover.hf.space/search \
-H "Content-Type: application/json" \
-d '{
...

또는, https://huggingface-hf-discover.hf.space/mcp를 사용하여 MCP 엔드포인트를 통해 카탈로그를 검색하도록 모든 MCP 클라이언트를 연결할 수 있습니다.

ARD(Agentic Resource Discovery)는 발견(discovery)과 실행(execution)을 분리합니다. 정적 매니페스트(manifest) 형식은 미디어 타입(media type)에 의해 구동되므로, 어떤 아티팩트 프로토콜(artifact protocol)이라도 명세 수준의 변경 없이 동일한 엔벨로프(envelope)를 사용할 수 있습니다. 레지스트리 API는 일반 HTTP REST이므로 어떤 클라이언트든 이에 대해 연합(federate)할 수 있습니다. Discover는 생태계 전반에 걸친 명세의 여러 참조 구현 중 하나이며, 연합이 프로토콜에 내장되어 있기 때문에 한 서비스를 통한 검색으로 다른 서비스에서 호스팅되는 기능들을 드러낼 수 있습니다.

Discover 도구는 해당 설계의 작동 테스트입니다. 이는 새로운 아티팩트 형식을 만들어내지 않습니다. 기존의 검색 백엔드인 Hub를 명세의 엔벨로프(envelope)로 감싸며, 클라이언트가 요청한 내용에 따라 동일한 Space가 스킬(skills) 또는 MCP 서버로 나타나게 합니다.

다음 단계는 명세의 연합 모드 (auto, referrals, none)와의 더 긴밀한 통합과 사용자 및 조직 프로필의 정적 ai-catalog.json 매니페스트에 대한 Hub 측 지원입니다. 이것이 구현되면, 모든 Space 발행자는 표준화된 well-known URI 메커니즘을 통해 자신의 기능을 광고할 수 있게 될 것입니다.

AI 자동 생성 콘텐츠

본 콘텐츠는 HuggingFace Blog의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.

원문 바로가기
0

댓글

0