明确委托自主边界：面向 Agentic AI 的需求工程

一篇 arXiv 论文提出两个互补工件：Agency Justification Record（AJR）和 Agentic Delegation Policy（ADP），用于规范 Agentic AI 系统的委托自主边界。AJR 帮助团队判断何时使用代理优于简单方案，ADP 则通过分级授权结构明确目的、权限、信息、协调、保证和演进等需求。论文以安全关键的医院出院协调代理和自动化代码审查代理为例说明了该框架。

当前 Agentic AI 开发将委托决策（如授权级别、监督方式）隐含在提示、工具模式和运行时策略中，缺乏显式的需求层规范。该论文首次提出将边界作为工程工件对待，要求团队有意识地记录和审批委托决策，从而减少安全隐患和后期返工。

AJR 通过评估代理的必要性过滤不必要的复杂度，ADP 则用分级授权模型结构化地记录目的、权限、信息流、协调机制、保证措施和演进策略，将原本隐式的设计决策转化为可审查、可测试的需求文档。这种结构化方法使团队能在早期识别并管理自主性带来的风险。

产品团队需在需求阶段增加 AJR 和 ADP 的撰写与审核环节，可能延长前期规划时间但能降低后期因自主行为异常导致的修复成本。对于已有代理产品，需对照 ADP 框架补充或重构现有授权策略文档。迭代频率和治理流程将随之调整。

• 开发支持 AJR/ADP 自动生成的 IDE 插件或需求管理工具，降低团队采纳门槛
• 基于 ADP 的分级授权模型设计代理运行时策略引擎，使授权动态可配
• 为医疗、金融等安全敏感行业定制 ADP 模板，加速合规审查
• 提供 ADP 可视化编辑器，帮助非技术利益相关者参与委托边界决策

• AJR 和 ADP 的有效性是否在工业界有实证验证？
• 分级授权的具体阶梯（如指导、监督、完全自主）如何定义和标准化？
• 这两个工件与现有需求工程方法（如用户故事、用例）的集成方式未在证据中说明
• 该框架是否适用于多代理协作场景下的共享边界？