KeyFrame內部研究專用

5 Ways to Connect AI Agents to Tools: From APIs to MCP

IBM Technology11 min英文
觀看原始影片

三句話摘要

Agent 連接工具的五大模式演進,從直接連接到基於 Vault 的安全授權架構。 Agent-Tool 連接的演進是一場安全與可擴展性的雙線進展:從無身份識別到完整委派認証,從長期硬編碼到統一 MCP 抽象,從長期憑證到短期令牌,每一代都在解決上一代的具體風險。 直接連接的限制:早期 Agent 系統因無用戶識別而無法授權,只能存取公開或全公司可用資訊。每個 Agent 都需硬編碼各工具的連接方式,不可擴展。

重點整理

  1. 直接連接的限制:早期 Agent 系統因無用戶識別而無法授權,只能存取公開或全公司可用資訊。每個 Agent 都需硬編碼各工具的連接方式,不可擴展。

  2. OAuth 的折衷:雖然建立了身份認證機制(符合業界標準),但引入了「冒充用戶」的隱患——工具層無法區分 Agent 行為與用戶意圖,且生成的存取令牌可生效 90 天,形成長期憑證風險。

  3. MCP 的抽象突破:透過模型上下文協議,Agent 只需理解 MCP 介面而非各工具細節,降低系統複雜度,讓工具升級時 Agent 無需改動。

  4. Token Exchange 與委派:引入授權委派機制,同時認証 Agent 與用戶,令牌交換確保認證流程安全,系統獲得完整可觀測性(谁在做什麼、有無權限),消除冒充風險。

實用技巧與重點

  • OAuth 流程支援工具:GitHub、Jira、Slack
  • 存取令牌有效期:可達 90 天(可配置)
  • MCP(Model Context Protocol):Agent-Tool 間的抽象層介面
  • Token Exchange:安全認證流程,確保令牌傳遞安全
  • 短期憑證方案:Vault 儲存長期令牌,MCP 獲得短期憑證
  • 委派模式:用戶授權 Agent 代理執行工具操作

結論

Agent-Tool 連接的演進是一場安全與可擴展性的雙線進展:從無身份識別到完整委派認証,從長期硬編碼到統一 MCP 抽象,從長期憑證到短期令牌,每一代都在解決上一代的具體風險。

完整解析

連接 Agent 與工具的技術方案已從早期的直接調用演進到複雜的授權架構。最初的直接連接模式因缺乏用戶身份識別而面臨嚴重的權限控制問題——工具根本無法判斷實際操作者是誰,只能限制 Agent 存取公開資訊,無法支援受控的個人資料或企業敏感內容。

第二代方案引入 OAuth 認證流程,透過身份提供商(Identity Provider)進行用戶驗證,讓 GitHub、Jira、Slack 等服務能簽發存取令牌。這解決了可見性問題,但引入了新的安全隱患:Agent 獲得的令牌通常有 90 天的生命週期,一旦洩露便成為長期風險。更關鍵的是,工具層面看到的是用戶身份但無法區分 Agent 的行動邊界,造成「冒充用戶」的隱患——系統無法區分 Agent 是否按授權範圍行動。

第三代模式引入 MCP(Model Context Protocol),在 Agent 與工具之間建立抽象層。Agent 不再需要硬編碼每個工具的 API 細節,只需理解 MCP 介面語言即可。這大幅降低了系統複雜度,工具升級或增加新工具時,Agent 端不需要修改,只需 MCP 適配層更新。

第四代方案用 Token Exchange 機制替代 OAuth,同時認証 Agent 和用戶,建立明確的委派關係——用戶授權特定 Agent 代理執行某些工具操作。令牌交換層確保認證流程安全且可追溯。系統獲得完整的可觀測性:誰在做什麼、是否有權限、Agent 邊界在哪裡,消除了冒充問題。

第五代(最高安全層級)引入 Vault 方案。Vault 儲存長期的存取令牌,但 Agent/MCP 層只獲得短期憑證。短期憑證降低了洩露風險——即使被截獲重放,其生命週期短暫,無法造成持久危害。這成為當前最安全的連接架構,同時保留了 MCP 的抽象優勢和 Token Exchange 的完整可觀測性。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。