AI开始自己找工具:GitHub Copilot迎来关键升级

让AI读取网页，需要浏览器工具。

让它操作数据库，需要对应接口。

让它按照固定流程写公众号，需要一套Skill。

让它访问GitHub、Notion或企业系统，还要连接MCP服务器。

工具越多，AI能做的事情越多。

但一个新问题也随之出现：谁来告诉AI，这次任务究竟该用哪个工具？

过去，这件事主要由人来完成。

用户要自己寻找MCP服务器、安装Skill、配置智能体，再把需要的工具提前接进AI。

这就像雇了一个很聪明的员工，却没有给他浏览器、计算器、数据库权限，也没有告诉他公司的文件放在哪里。

再聪明，也很难把事情做完。

模型负责理解和推理，工具负责连接外部世界。MCP服务器可以帮助AI访问数据和软件，Skill可以告诉AI怎样按照固定步骤完成某类任务。

问题是，这些资源正在快速增加。没有人能够提前了解所有工具，也没有必要在AI启动时把所有能力都加载进来。

过去是人给AI安装能力，下一步是AI自己判断完成任务需要什么能力。

它的使用逻辑很简单。

用户先用自然语言描述任务。

例如：“检查这个项目的依赖漏洞，并生成修复建议。”

Agent Finder会搜索用户指定的资源目录，找出可能有用的安全扫描工具、代码分析Skill或专用智能体，再按照相关程度推荐候选结果。

用户可以使用公共目录，也可以连接公司自己的私有资源库。

企业内部开发的代码审查工具、数据库接口和专用工作流，可以只出现在企业目录中，不必向外公开。

管理员还可以统一决定哪些资源可以被智能体发现和使用。

所以，不同企业里的Copilot收到同一个任务，也可能获得完全不同的工具推荐，因为它们能看到的资源范围并不一样。

既然工具有用，为什么不一次全部装进AI？

问题首先出在上下文窗口。

AI工作时，需要理解每个工具的名称、用途、输入参数和调用方式。

接入10个工具，影响可能不大。接入几百个工具后，光是工具说明就会占用大量上下文。

模型还要在一堆无关能力里做选择，既浪费Token，也可能增加选错工具的概率。

这就像为了完成一天的工作，把整家公司的设备都搬到工位上。东西确实齐全了，但真正需要的工具反而更难找到。

智能体的能力，不取决于它一次装了多少工具，而取决于它能不能在正确时间找到正确工具。

Agent Finder采用的是按需发现。

智能体先理解任务，再寻找匹配能力，只把当前需要的资源带进工作过程。

如果一个更好的工具刚刚进入可搜索目录，用户不必提前知道它的存在，后续任务也可能发现它。

Agent Finder并不是GitHub自己封闭设计的一套规则。

它建立在开放规范Agentic Resource Discovery之上，简称ARD。

ARD由微软发起，并与GitHub、Google、GoDaddy、Hugging Face等公司共同开发，还有多家云计算和企业软件公司参与。

它的作用，可以理解成给智能体工具建立统一的“商品说明”。

这项资源能做什么，适合什么任务。

需要哪些输入、权限和运行条件。

由谁提供，应该怎样调用。

是否符合当前组织的安全政策。

有了这些结构化信息，AI客户端才能理解、比较和发现工具。

早期互联网拥有大量网页，却缺少搜索引擎。现在，MCP服务器、Skills、API和智能体也处于类似阶段：资源很多，但缺少统一的发现层。ARD想补上的就是这一层。

不会。

这是GitHub特别强调的边界。

Agent Finder负责发现和推荐资源，但不会在后台悄悄连接或安装任何东西。

用户仍然需要决定最终使用哪个工具，并完成必要的授权和配置。

这点非常重要。AI工具可能访问代码、文件、数据库和企业内部系统。

如果智能体发现一个工具后，就能自动安装并获得权限，恶意或被污染的工具可能读取敏感数据，甚至执行危险操作。

AI可以自己找工具，但不能自己决定信任谁。

过去，我们常把AI想象成一个万能助手。

给它接上所有知识、工具和权限，它就能完成任何事情。

现实正在走向另一种方式。

AI先理解任务，再临时寻找所需能力。需要查数据，就寻找数据库工具；需要制作图表，就加载可视化Skill；需要检查代码，就调用安全扫描工具。

Agent Finder迈出的只是第一步。它现在负责寻找和推荐，最终决定仍掌握在人手中。

但如果工具发现、身份认证、权限控制和效果评估逐渐成熟，智能体会越来越能根据任务自己组合能力。

到那时，AI竞争不只看哪个模型更聪明，还要看谁能在真正需要的时候，把正确能力叫到现场。