自主 Agent

自主 Agent 可以浏览、写作、调用 API、发送消息、创建文件、触发工作流、购买商品、安排事件、修改系统并协调其它 Agent。与被动聊天机器人不同，Agent 可以通过工具把推理转化为行动。

工具访问正是 Agent 变得危险的位置：系统不再只是生成文本，而是在准备改变外部世界。

示例场景

AI Agent 可以访问电子邮件、日历、文档、采购工具和工作流自动化。它决定向客户发送合同修订，并触发内部审批工作流。

没有 LERA

如果没有 LERA，工具访问可能变成执行权限。Agent 推理变成工具调用，工具调用变成外部行动，而组织可能要等后果发生后才发现问题。

Agent 可能发送错误消息、暴露敏感数据、造成法律混乱，或在责任主体不清楚的情况下触发工作流。

使用 LERA

使用 LERA 后，Agent 输出在工具执行前会先被视为拟执行行动。系统要区分起草、建议、请求批准和执行。

具有法律、财务、声誉或运营后果的行动，必须在 API 调用、消息发送、采购或工作流变更执行前接受治理。

LERA 如何介入

• 判断：判断拟执行行动意味着什么，可能产生什么后果，以及不确定性是否可接受。
• 授权：明确谁有正当资格允许行动继续。
• 责任：在执行前绑定责任，而不是等事故发生后再追溯。
• 可靠性规则：为该情境应用相关的 WRS-C 和领域 WRS-D 条件。
• RCC：治理谁可以改变执行相关规则，以及规则变更如何授权和留痕。
• ECS：在执行边界之前，让行动保持可控制。
• 结果：在现实执行之前，将行动路由为允许、阻断或升级。

LERA 改变了什么

LERA 把 Agent 推理和工具执行分开。它让 Agent 可以协助组织，但不能悄悄获得机构执行权。

与自主 Agent 部署相关的问答

这些问题把自主 Agent 与执行阈值、现有工具链和不可靠行动阻断连接起来。

• AI 输出什么时候变成执行？
• LERA 可以与组织现有的 AI 系统和工具配合使用吗？
• LERA 如何阻断不正确或不可靠的 AI 行为？

在自主 Agent 中，LERA 有助于确保工具访问不会默认成为执行权限。