OpenSharing：让 AI 资产跨平台流通的开放协议

2026-06-11 29 预计阅读时间: 1 分钟
来源: oschina.net AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：9 分钟

智能体之间要协作，先得能"互通有无"——模型、技能、数据集，这些 AI 资产目前基本被锁在各家平台的私有格式里。Linux 基金会刚宣布的 OpenSharing Project，试图用一套厂商中立的协议打开这扇门。项目由 Databricks 贡献，在已有的 Delta Sharing 协议上演进，面向智能体时代新增了对技能（skill）、模型等资产的交换规范。

Delta Sharing 打了地基，OpenSharing 盖了新楼层

Delta Sharing 本身已经在生产环境广泛使用——它定义了一套基于 REST 的开放协议，让组织可以通过简单的 HTTP 接口共享 Delta Lake 表数据，接收方无需 Spark 或任何特定计算引擎，用 Python/Pandas 就能读取。核心流程很直接：

  1. 提供方在 Delta Sharing Server 上注册要共享的表；
  2. 生成一个分享链接（recipient token）；
  3. 接收方拿到链接后，通过 Delta Sharing Python SDK 直接 load_as_pandas() 拿到数据。

OpenSharing 在这个地基上做了两件事：一是把共享对象从"表数据"扩展到 AI 模型、智能体技能描述、特征向量等新资产类型；二是为智能体的自动发现和调用场景增加了协议字段，比如技能的输入输出 schema、版本兼容性声明、调用端点等。这意味着一个智能体不再需要硬编码"去哪里找某个能力"，而是可以通过协议动态发现和接入。

协议长什么样：从数据共享到技能共享

Delta Sharing 的 REST 授予端点已经定义了 shares、schemas、tables 三级结构。OpenSharing 在此基础上新增了 models 和 skills 资源类型，大致结构如下：

/share/{share_name}/schema/{schema_name}/table/{table_name}   ← 原有
/share/{share_name}/schema/{schema_name}/model/{model_name}   ← 新增
/share/{share_name}/schema/{schema_name}/skill/{skill_name}   ← 新增

每个 skill 资源会附带一个 JSON schema 描述其接口，接收方智能体可以据此生成调用代码。这比目前常见的"贴个 API 文档链接"方式要结构化得多——协议本身就是契约，机器可读、可校验。

动手试一下：用 Delta Sharing Python SDK 读取共享数据

OpenSharing 的完整 SDK 还在建设中，但它的底座 Delta Sharing 已经可以直接使用。下面是一个可运行的示例——假设你收到了一个 Delta Sharing 的分享链接，用 Python 读取共享表数据：

# 安装 Delta Sharing Python SDK
pip install delta-sharing

import delta_sharing

# 分享链接文件（由提供方生成，包含 endpoint URL 和 recipient token）
# 实际使用时替换为你收到的 profile 文件路径
profile_file = "/path/to/open-sharing-profile.json"

# 创建 SharingClient
client = delta_sharing.SharingClient(profile_file)

# 列出可用的共享
shares = client.list_shares()
for share in shares:
    print(f"共享名称: {share.name}")

# 列出某个共享下的所有 schema 和表
schemas = client.list_schemas(shares[0])
for schema in schemas:
    print(f"  Schema: {schema.name}")
    tables = client.list_tables(schema)
    for table in tables:
        print(f"    表: {table.name}")

# 直接加载为 Pandas DataFrame——无需 Spark，无需特定计算引擎
df = delta_sharing.load_as_pandas(
    profile_file,
    share="my_share",
    schema="default",
    table="product_catalog"
)

print(df.head())
print(f"共 {len(df)} 行数据")

open-sharing-profile.json 的格式如下（替换为提供方给你的真实 endpoint 和 token）：

{
  "shareCredentialsVersion": 1,
  "endpoint": "https://sharing-provider.example.com/delta-sharing",
  "bearerToken": "dapi-a1b2c3d4-e5f6-g7h8-i9j0-k1l2m3n4o5p6"
}

注意：上面的示例用的是 Delta Sharing 的现有 SDK。OpenSharing 新增的 models 和 skills 资源类型的 SDK 接口（如 list_skills()、load_skill_schema()）预计会在项目首个正式发布版本中提供。目前可以先用 Delta Sharing 协议验证数据共享流程，后续升级到 OpenSharing 时只需扩展资源类型即可。

面向智能体场景的扩展：技能发现与调用

OpenSharing 最值得关注的增量是 skill 资源类型。一个智能体要调用另一个平台上的技能，协议层面需要解决三个问题：

  • 发现：我需要"文本摘要"能力，去哪里找？
  • 契约：这个技能接受什么输入、返回什么输出、有什么版本约束？
  • 鉴权：跨组织调用，token 怎么发放和验证？

OpenSharing 的设计思路是——skill 的描述本身就是协议的一部分。一个 skill 资源的元数据大致会包含：

{
  "skill_name": "text_summarization",
  "version": "1.2.0",
  "input_schema": {
    "type": "object",
    "properties": {
      "text": {"type": "string", "maxLength": 10000},
      "max_length": {"type": "integer", "default": 200}
    },
    "required": ["text"]
  },
  "output_schema": {
    "type": "object",
    "properties": {
      "summary": {"type": "string"},
      "token_count": {"type": "integer"}
    }
  },
  "invocation_endpoint": "https://provider.example.com/skills/text_summarization/invoke",
  "compatibility": "backward_compatible"
}

接收方智能体拿到这个 schema 后，可以自动构造请求、校验响应，不需要人工对接 API 文档。这和 OpenAPI 规范的理念类似，但专门为智能体的自动调用场景做了裁剪——更轻量、更聚焦于"能力描述"而非"整个服务描述"。

采用建议与边界

适合现在关注的场景：

  • 你在构建多智能体系统，需要跨团队或跨平台共享技能和数据——OpenSharing 的 skill schema 可以作为内部技能注册的规范模板，即使暂时不用官方 SDK。
  • 你已经在用 Delta Sharing 共享数据——升级路径平滑，OpenSharing 是增量扩展而非替代。
  • 你需要向外部合作伙伴提供 AI 资产访问——厂商中立协议比私有 API 更容易被接受。

需要留意的边界：

  • 协议本身不解决计算执行问题——它定义的是"怎么发现和拿到"，不是"怎么跑"。skill 的实际执行仍然依赖提供方的推理服务。
  • 安全模型沿袭了 Delta Sharing 的 bearer token 机制，对于高敏感场景可能需要叠加零信任网络或 VPC 限制。
  • 项目刚启动，models 和 skills 的 SDK 实现尚不完整，生产采用建议跟踪首个正式 release。

快速上手清单：

  1. 用 Delta Sharing Python SDK 跑通一次数据共享流程，验证 endpoint 和 token 机制；
  2. 在内部技能注册表中试用 OpenSharing 的 skill schema 格式描述你的智能体能力；
  3. 关注 Linux 基金会 OpenSharing 项目的 GitHub 仓库，等待 models/skills SDK 发布后做集成测试。

跨组织共享 AI 资产的需求已经很明显，OpenSharing 给了一条具体的协议路径。它不是万能方案——执行、安全、治理仍有大量工程工作——但至少让"智能体之间怎么互相认识"这件事有了标准化的起点。

# AI # 全栈 # 开源 # 开源中国

相关推荐