arXiv cs.AI· Jayesh Bhadane, Ramachandra Yerramsetti, Rajesh Gupta, Sumit Kumar·· 11 小时前AI 评分31
为 AI 智能体加运行时控制：弥合运营工作流中的评估—执行差距
Runtime Control for AI Agents: Closing the Evaluation--Execution Gap in Operational Workflows
AI 导读
针对语言模型智能体在审批、绑定与支付等运营工作流中的“评估—执行差距”，论文提出一种状态绑定的运行时保障层，将概率性测量与确定性裁决分离，把执行许可绑定到审批的决策依据上，并在相关日志变更后使其失效、在派发时重新校验。
正文 · AI 翻译
摘要：语言模型智能体越来越多地参与运营工作流，其中审批、绑定和支付会产生承诺。审批在签发时有效，但在相关事实、证据、策略或权限发生变化后，可能不再授权执行。我们将此称为评估—执行差距。我们规定了一个状态绑定的运行时保障层，将概率性测量与确定性裁决分离，将执行许可绑定到审批的决策相关依据上，在相关日志变更后使该许可失效，并在派发时重新检查可受理条件。这将先前审批的持续有效性与当前状态策略检查区分开来。我们描述了八种失效模式、一个保障模型、一个参考架构，以及前瞻性干预与回溯性补救。在一个脚本化的 42 个案例重放中，状态绑定配置识别出 15 个后来失效的审批，而一个刻意不重新评估的时间点比较器不会重新审视这些审批；它在派发前拦截了 14 个受影响的操作，并对一个已落地的效果进行了补偿。这些结果说明了在规定策略和事件顺序下的行为，而非优于派发时执行设计或生产有效性。在明确的拦截、摄取、依赖和序列化假设下，该模型在注册的执行范围内确立了派发时有效性。
| 评论： | 8 页，1 幅图，8 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.27480 [cs.AI] |
| （或 arXiv:2610.27480v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.27480 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ramachandra Yerramsetti [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 01:46:07 UTC（19 KB）
来源：arXiv cs.AI · arxiv.org