从 Palantir AIP 看:企业级 AI Agent 的行动治理链路
一旦 Agent 进入企业运行环境,它就不再只是一个认知辅助工具。它提出的动作可能被转化为真实业务事务执行、系统状态转移或外部副作用:更新客户记录、发送合同邮件、修改订单状态、触发付款流程、部署代码、删除云资源、调用生产 API。这时,问题就不再是:Agent能不能调用某个工具或SOP 工作流及Skills?而是:当 LLM 驱动的 AI Agent 提出一个行动时,企业系统如何判断这个行动是否应该发生?这个问题不是单纯的模型能力问题,也不是简单的工具权限问题。它关系到业务对象、行动能力、策略约束、执行边界、审计记录与责任归属。更准确地说,它是一个行动语义如何被建模、绑定、裁决、授权、执行与记录的问题。这正是本文讨论“开放行动语义”的起点。
但Palantir毕竟是一个复杂的大型技术平台。学习Palantir,或者开放实现一个类Palantir 的企业AI平台,真正困难的地方,并不在于把模型、工具、流程和数据源简单拼接起来,而在于找到一个足够小、足够关键、又能够牵引整个平台范式的切入口。对我而言,这个切入口就是:Agent 行动控制语义。因为它同时满足两个条件:一方面,它足够小,可以被抽象和最小化定义;另一方面,它足够关键,因为任何企业级Agent一旦进入执行链路,都绕不开它。如果说 Palantir 证明了 “Ontology + AIP + Runtime Governance” 可以形成一种企业 AI 平台范式,那么 Agent 行动控制语义,可能就是开放实现类 Palantir 企业 AI 平台最现实的起点。
所以,本文讨论的不是某一种Agent形态,而是更一般的企业行动控制问题。无论行动提案来自LLM Agent、workflow、RPA、human operator,还是外部系统调用,只要它可能改变业务状态、触发流程、调用系统或产生外部副作用,企业系统都必须回答同一个问题:这个行动是否应该被允许发生?如果允许,它应该在什么边界内发生?如果发生了,如何被记录、审计、追溯和复现?这也是我提出 MSCL,Minimal Semantic Control Loop 的背景。
MSCL不是另一个Agent framework,也不是一个完整企业 AI 平台,而是试图把企业级 Agent 行动控制中最小但关键的语义对象显性化:ActionProposal、Decision、ExecToken与ExecutionRecord。它希望回答的是:当一个行动被提出时,系统如何表达它、裁决它、授权它、执行它,并记录它。
从更大的愿景看,MSCL希望抽象的,不只是几个对象名,而是一个开放实现类 Palantir 企业 AI 平台的第一块语义地基。如果说 Palantir AIP 已经在平台内部证明了行动控制机制的必要性,那么MSCL 试图做的是:把其中最小、关键、可复用的控制语义抽象出来,变成一组显性、可验证、可实现、可复用的开放语义对象。
这组对象可以被理解为企业 AI 行动系统中的一个最小语义控制内核:先共建合规、安全、可控的 AI 行动系统层,再在其上逐步扩展行业动态本体、Action/Function schema、执行适配器、Policy authoring、Audit/Provenance、Conformance tests 以及相关工具链。
这有点类似操作系统的发展路径:先形成一个足够清晰、稳定、可验证的内核,再围绕内核发展驱动、工具、应用和生态。MSCL 试图开放的,正是企业 AI 行动系统中的这个最小语义控制内核。
它要回答的更底层问题是:能否把企业级 Agent 行动控制,从某个具体平台内部抽象出来,变成一层可插入不同 Agent、workflow、tool runtime 与企业执行系统之间的 decoupled semantic control layer?
MSCL的GitHub仓库(https://github.com/yaleshe/mscl)会在下一篇文章中作为开放行动语义社区的起点展开。它不是为了发布另一个Agent framework,而是希望围绕 Agent 行动控制,共同定义最小语义对象、执行边界、invariant 与 conformance:当 Agent 提出一个行动时,系统如何判断它是否应该被允许执行,并让这次判断可以被解释、审计、复现与验证。
这也是我希望把MSCL开放出来的原因。如果你是企业架构师、AI 平台架构师、CIO / CTO、数字化转型负责人,你可能关心的是:企业如何在不被单一平台锁死的情况下,构建一套可控、可审计、可扩展的AI行动系统层。如果你是 Agent runtime、workflow/skills、RPA、MCP tool、企业应用或数据平台的开发者,你可能关心的是:如何在模型输出与真实执行系统之间插入一层可复用的semantic control layer,而不是在每个工具和 endpoint 上重复设计权限、审批和审计逻辑。如果你从事安全、合规、审计、风控或数据治理,你可能关心的是:当Agent提出一个行动时,系统如何留下足够清晰的proposal、decision、authorization、execution 与 record,使行动可以被解释、追溯、复现和验证。如果你在做行业本体、企业建模、Agent 平台、AI infra或相关创业投资,你可能关心的是:类Palantir 企业 AI 平台建设是否可以通过语义开源、代码开源、架构解耦与社区共识的方式,通过逐步形成一个开放生态共建。
MSCL希望成为这个愿景的一个起点:先从最小行动控制语义开始,共同定义:ActionProposal、Decision、ExecToken、ExecutionRecord、invariant、conformance 与 reference implementation,再逐步扩展到行业动态本体、Action/Function schema、执行适配器、Policy authoring、Audit/Provenance 和工具链。
不过,本文先不展开MSCL的完整对象模型、conformance、reference implementation与社区协作方式,而是先聚焦参照系统本身:Palantir AIP 到底如何体现一条企业级 Agent 行动治理链路?因此,这篇文章作为系列第一篇,重点回答一个问题:Palantir AIP 所体现的企业级 AI Agent 行动治理链路到底是什么?本文会先从企业级 Agent 行动控制的基本问题开始,说明为什么 tool call 不等于业务行动,为什么仅靠 endpoint permission 无法完成 action governance,为什么 prompt/system instruction 不能成为最终执行边界。然后,本文会以Palantir AIP为参照,拆解一条完整的企业级 Agent 行动治理链路(图一):
这条链路说明,企业级 AI Agent 的核心不是“模型调用工具或Skills”,而是模型提出的行动能否被企业系统语义化、绑定、裁决、授权、执行、记录和反馈。
只有先把这条链路拆清楚,下一步才有可能讨论:其中哪些控制语义是最小的、通用的、可复用的?它们是否可以从具体平台内部抽象出来,成为开放、显性、可验证的语义对象?
这将是下一篇文章要进一步展开的问题。
也就是:能否把 Palantir 平台内部深嵌的行动控制结构,抽象为类似ActionProposal、Decision、ExecToken与ExecutionRecord这样的最小语义对象,并以此作为 MSCL,Minimal Semantic Control Loop,以及开放行动语义社区的起点。所以,这篇文章不是为了给出一个完成态答案,而是为了先建立一个参照:Palantir AIP 已经证明,企业级 Agent 成为组织生产力的前提,不是它能行动,而是它的行动可以被治理。从这个参照出发,我们才能继续讨论:如何通过开放语义、代码开源、架构解耦与社区共识,逐步共建一个类 Palantir 的企业 AI 平台生态。
为了避免把一个过大的问题一次性展开,这个主题会分成两篇文章推进。第一篇,也就是本文,重点回答:Palantir AIP 所体现的企业级 AI Agent 行动治理链路到底是什么?本文结构如下:
第二篇会在本文基础上继续推进,重点回答:如果 Palantir AIP 已经证明了这条行动治理链路的必要性,能否把其中最小、关键、可复用的控制语义抽象出来?第二篇会进入Palantir平台内嵌控制与 MSCL的关系,讨论如何把行动控制从具体平台内部抽象为开放、显性、可验证的语义对象.结构如下:
这样安排的原因:如果不先理解Palantir AIP中已经存在的行动治理链路,MSCL容易被误解为另一个 Agent framework;但如果先看清楚这条链路,就能更准确地理解MSCL想开放的不是“Agent能力”,而是Agent行动控制语义。虽然这不是一个完成态答案,但是一个可以被讨论、实现与检验的架构命题:企业级Agent 的关键,不只是能行动,而是它的行动可以被系统裁决、边界化、记录并验证。
一.企业级 AI Agent 行动控制:从工具调用到业务行动治理
企业级 AI Agent 的“行动”及其“行动控制”到底意味着什么。
在本文中,所谓Agent行动,不是模型生成的一段文本,也不只是一次技术层面的tool call。它指的是:Agent提出的意图被系统接收之后,可能进一步转化为业务事务执行、系统状态转移或外部副作用的过程。比如更新客户记录、发送合同邮件、修改订单状态、触发付款流程、部署代码、删除云资源、调用生产 API。也就是说,Agent行动一旦连接到真实业务系统,就会进入企业的责任、合规与审计链路。
因此,本文所说的Agent行动控制,不是简单的工具权限管理,也不是只判断Agent能不能调用某个 API,而是对 Agent 所提出业务行动的语义化治理。换句话说,问题的核心不是“工具是否可调用”,而是“这个行动在当前业务语境下是否应该发生”。
1.1 企业级 AI Agent 行动:行动控制到底要判断什么?
一旦 Agent 进入企业运行环境,它提出的动作就不再只是一次tool call,而可能被转化为一次真实的业务事务执行、系统状态转移或外部副作用:更新客户记录、发送合同邮件、修改订单状态、触发付款流程、部署代码、删除云资源、调用生产API。这些行动会改变业务状态,产生外部影响,并进入企业的责任、合规与审计链路。因此,企业级AI Agent 行动控制要回答的,不是一个简单问题:Agent 能不能调用这个工具?而是一组更严格的问题:
这个行动在业务语义上是什么?它由谁提出,是人、Agent、workflow,还是外部系统?它作用于哪个业务对象或系统资源?会造成什么状态变化或外部副作用?它是否符合当前身份、权限、策略与流程?它是否需要审批、升级或人工确认?如果允许,授权边界在哪里?谁授权了这次行动,谁对结果负责?如果执行,如何记录、审计、追溯与复现?
换句话说:企业级AI Agent行动控制,不是控制Agent能不能调用工具,而是治理 Agent 提出的业务行动是否应该发生。这就是本文讨论“开放行动控制语义”的起点。
1.2 Agent 作为行动触发源带来的控制挑战
行动控制本身并不是 Agent 时代才出现的新问题。任何会改变系统状态、触发外部副作用的企业软件,都需要控制。传统企业系统中的 workflow、IAM、审批流、API gateway、policy engine、audit log,本质上都在回答类似问题:谁可以执行什么操作?在什么条件下执行?作用于什么资源?执行后如何记录?过去,企业系统中的行动来源相对确定。它们通常来自几个明确入口:一个人点击按钮,系统推进流程;一个审批通过,状态发生变化;一个定时任务触发,后台执行操作;一个服务调用另一个服务,完成事务处理。这些动作当然也可能出错,但它们通常已经被放在确定性的系统结构中:按钮在哪里、流程怎么走、谁有权限、状态如何变化、日志如何记录,都是系统设计的一部分。Agent 带来的变化在于:它开始成为新的行动源。Agent 的行动不一定来自一个预定义按钮,也不一定来自一个固定 workflow step,而是来自模型在动态上下文中的推理:
也就是说,Agent会根据当前任务、历史上下文、检索结果、工具返回、业务状态与用户意图,生成一个“下一步应该做什么”的行动提案。这就是控制挑战发生变化的地方。企业系统面对的不再只是一个 deterministic workflow step,而是一个 probabilistic ActionProposal。模型可以提出行动可能性,但企业系统不能把这种可能性直接转化为真实执行。因为一旦执行,它就可能改变业务状态、触发外部副作用,并进入责任、合规与审计链路。所以,中间必须存在一个转换边界:
这条边界的含义是:模型可以生成行动可能性;系统必须裁决是否允许行动发生;执行层只能在授权边界内产生副作用;执行结果必须形成可审计、可追溯、可复现的记录。行动不再只来自预定义流程,而开始来自模型生成的行动提案。这也是为什么企业级 AI Agent 不能只依赖 prompt、tool schema 或 endpoint permission。那些机制可以约束模型输出、限制工具入口、检查参数格式,但无法自动回答一个关键的问题:这个由模型提出的行动,在当前业务语境下,是否应该被允许执行?从这个角度看,Palantir AIP 的重要性就变得非常清楚。它不是简单让LLM调用企业工具,而是通过 Ontology、Action Types、Functions、Policy、Security、Provenance、Runtime 与 Audit,将模型提出的行动纳入一个系统级行动控制链路之中。也就是说,Palantir AIP 提供了一个重要参照:企业级 Agent 的行动,必须先被语义化、绑定、裁决、授权,再进入受控执行与审计闭环。这正是后文要进一步拆解的 Palantir AIP 行动治理链路,也是 MSCL 希望抽象为开放行动控制语义的基础。
1.3 真实事故:从模型失误到行动治理链路失效
这个问题已经不只是理论风险。近期 PocketOS/Cursor/Railway 事故,就是一个非常典型的案例。根据 PocketOS 创始人 Jer Crane 的公开陈述,一个在 Cursor 中运行的 Claude Opus agent,在处理 staging 环境 credential mismatch 时,没有停下来请求确认,而是主动寻找API token,并通过Railway GraphQL API发起 volumeDelete mutation。这个 mutation 删除了 production volume,同时也删除了 volume-level backups,整个过程只用了 9 秒。
这里需要特别说明一点:GraphQL API 并不只是用于查询。GraphQL通常可含 query、mutation 和 subscription。其中 mutation 用于创建、修改或删除资源。因此,这个案例中的关键不是“GraphQL 能查询什么”,而是Railway的GraphQL API暴露了一个具有破坏性的 volumeDelete(volumeId) mutation,并且这个 mutation 可以被高权限 token 直接调用。
表面上看,这是一次 AI Agent 的错误判断:模型猜测 staging 操作不会影响 production,并在没有用户明确要求的情况下执行了 destructive action。但真正的问题不止于模型是否犯错,而在于:为什么这个错误行动意图能够一路穿过token、endpoint、API、backup 与 runtime,最终变成生产数据库删除?
原文中,agent 事后承认自己是 “guessed instead of verifying”:没有确认 volume 是否跨环境共享,没有阅读 Railway 关于 volume 行为的文档,也在没有用户要求删除任何东西的情况下执行了破坏性操作。这说明:prompt、project rules、system instruction 可以约束模型行为,但它们不是执行边界。
模型可以被告知“不要做破坏性操作”,但只要执行系统仍然允许它拿到高权限 token、调用 destructive mutation、绕过确认步骤,那么最终真正决定行动是否发生的,仍然是底层执行链路。从行动控制角度看,这个事故至少包含几层失败:
因此,这个案例更准确地说,不只是 model failure,也不只是一次 API failure。同时是一次 Agent action governance failure:模型生成了错误行动,系统却没有在执行前把它语义化、裁决、授权边界化并阻断。
在这个案例里,执行系统看到的可能只是:authenticated token + valid GraphQL endpoint + valid volumeId + volumeDeletemutation.但行动治理真正应该问的是:这是什么行动?它是否是 destructive action?它作用于哪个环境?是否涉及 production resource?是否会影响 backup?是否符合当前任务范围?是否需要 out-of-band approval?当前 token 是否具备这种操作语义下的授权?执行后是否可恢复、可追溯、可审计?
这些问题,不能只靠 prompt 回答,也不能只靠 endpoint permission 回答。它们需要一个执行前的语义裁决层:先把 tool call / endpoint call 解释为具有业务含义和风险属性的ActionProposal,再基于身份、对象、环境、策略、预期副作用与授权边界生成 Decision,最后只有在获得受限授权之后,才允许进入执行。这正是本文后面要讨论的核心:企业级 Agent 行动治理,不是让模型事后解释自己为什么错了,而是在行动发生之前,让系统能够判断这个行动是否应该被允许发生。
1.4 仅靠 Endpoint Permission,无法完成 Action Governance
PocketOS / Cursor / Railway 事故还暴露出另一个更底层的问题:endpoint permission 是必要的,但仅靠 endpoint permission,并不能完成企业级 Agent 的 action governance。
很多Agent 框架和基础设施集成的控制重点,仍然停留在 tool、endpoint、object permission 或 token scope 层。这类控制是必要的,但并不完整。因为 endpoint 是技术接口,不是业务行动。同一个 endpoint,在不同业务语境下,可能代表完全不同的业务含义、风险级别与治理要求。比如同样是:send_email(to, subject, body), 在不同业务场景中,它可能意味着:给内部同事发送会议纪要,给外部客户发送合同变更,给监管机构发送合规说明,给所有客户发送价格调整通知,向外部邮箱发送敏感数据.技术上,它们都可能调用同一个 endpoint。但在业务上,它们不是同一种行动:风险等级不同,审批要求不同,审计要求也不同。如果控制只停留在endpoint permission 层,系统通常只能选择:allow send_email,deny send_email,ask before send_email.这会出现结构性矛盾:放开 endpoint → 高风险行为也可能被放开,禁用 endpoint → 正常低风险业务也被阻断,每次人工确认 → 无法规模化.Object permission 也类似。它可以回答:谁能读写哪个对象?但它不一定能回答:为什么这次行动应该发生?这个行动是否符合当前业务策略?授权边界是什么?是否需要审批?谁对这次行动负责?执行结果如何被证明?
因此,企业级 Agent 行动控制的关键,不是简单地把 endpoint permission 做得更细,而是把 tool call / endpoint call 提升为具有业务语义的 ActionProposal。
系统真正需要判断的不是:Agent 能不能调用这个 endpoint?而是:这个调用在当前业务语境下意味着什么?它作用于哪个业务对象或系统资源?会造成什么状态变化或外部副作用?是否符合当前策略?是否需要审批或升级?谁授权,谁负责?是否可以被审计、追溯与复现?换句话说:Endpoint permission 控制的是工具入口,语义化行动控制治理的是行动含义。这也是为什么作者强调 开放行动控制语义。如果没有一套共同的语义对象,系统就只能在 endpoint、tool、permission、approval、audit log 等不同层面做局部控制,而无法形成统一的执行前裁决边界。MSCL试图引入的,就是这样一条语义化行动控制链:
它的目的不是替代 endpoint permission,而是把 endpoint permission 放回更高层的行动语义中:
这也是 Palantir AIP 给我们的重要启发之一:企业级 AI Agent 的行动不能只停留在工具调用层,而必须被绑定到业务对象、行动类型、函数合约、策略约束与审计记录之中。
下一节,我们就从这个角度回到 Palantir AIP,看看为什么它是理解企业级 Agent 行动控制的重要参照。
1.5 为什么 Palantir AIP 是重要参照
前面几节讨论的是企业级AI Agent行动控制的基本问题:tool call不等于业务行动,endpoint permission 不等于行动治理,prompt / system instruction 也不能成为最终执行边界。那么,企业级 Agent 的行动应该如何被放进一个可治理的系统中?这正是 Palantir AIP 值得借鉴的地方。
在导言中图一我们已经用一条简化链路描述了 Palantir AIP 的行动治理结构:Ontology 定义业务对象与行动能力,AIP Runtime 构造受约束上下文,LLM 生成行动意图,Binding / Logic / Governance 进行绑定与执行前裁决,Runtime 在授权边界内执行,最后由 Audit / Provenance / Record 形成治理闭环。
PalantirAIP的关键启发,是把LLM驱动的Agent放进一个由Ontology、Action、Function、Policy、Security、Provenance、Runtime与Audit共同构成的企业行动系统中。也就是说,Palantir AIP 不是把 Agent 看成一个独立行动者,而是把它放进企业已有的业务对象、权限边界、行动接口、策略约束与审计链路之内。
它提供的是一种 system-centric action governance:行动不是从模型输出直接进入执行系统,而是先进入企业本体、行动合约、策略约束与运行时治理链路。从这个意义上说,Palantir AIP 已经证明了一件事:企业级 AI Agent 要成为生产力,必须被纳入系统级行动控制结构。但这也引出本文后面要进一步讨论的问题。
在Palantir中,这套行动控制结构是平台内嵌的。它分布在Ontology、Action、Function、Security、Policy、Provenance、Runtime与Audit等机制之间,并不是作为一套独立、开放、可移植的行动控制语义暴露出来。
这正是 MSCL 想要继续往前推进的地方:如果 Palantir AIP 已经证明了系统级行动控制的必要性,那么能否把其中最小、最关键、最通用的行动控制语义抽象出来,变成开放、可验证、可复用的语义对象?换句话说,Palantir AIP 是参照,MSCL试图抽象的是这条参照背后的最小控制语义:
下一节将从 Palantir AIP的行动治理链路开始,进一步拆解一个企业级 Agent 行动如何从设计时建模,经过模型前约束、行动意图生成、输出绑定、执行前治理、受控执行,最终进入审计与反馈闭环。
二. Palantir AIP 的行动治理链路:从语义建模到治理闭环
从企业级Agent行动控制的角度看,Palantir AIP 的真正价值,是把 LLM 驱动的 Agent 放进一条受控的企业行动链路中。这条链路大致可以拆成七个阶段(如图一所示).
这条链路说明:企业级 Agent 的核心是“模型提出的行动,能否经过语义绑定、执行前裁决、受控执行与审计闭环”。这也是 Palantir AIP 与一般 Agent framework 的关键差异.Palantir AIP 更接近:业务语义 → 受约束上下文 → 行动意图 → 行动绑定 → 执行前治理 → 受控执行 → 治理记录.
也就是说,Palantir AIP 的重点不是把模型能力直接释放到企业系统里,而是先定义企业世界,再限制模型可见的世界,再约束模型可提出的行动,再把行动绑定到可执行合约,最后通过策略、安全、血缘和审计机制控制行动是否发生。下面分阶段展开。
2.1 Design-time:定义业务对象、行动能力与治理约束
Palantir AIP 的第一步不是调用模型,而是建模。更准确地说,是在 design-time 阶段,把企业运行中最关键的对象、关系、状态、行动能力与治理约束表达出来。这就是 Ontology 的作用。在很多系统里,所谓“数据模型”主要描述数据表、字段、指标和实体关系。但在 Palantir 的语境中,Ontology 不只是数据字典,也不只是知识图谱。它更像一个企业运行语义层。它至少包含三类语义.
第一类是 Business Semantics:Objects,Properties,Links,States也就是业务中有什么对象,这些对象有什么属性,对象之间有什么关系,它们处于什么状态。例如:Customer,Order,Shipment,Invoice,Asset,Supplier,Case,Alert这些不是简单的数据表,而是企业运行中可被理解、可被引用、可被操作的业务对象。
第二类是 Action Semantics:Action Types,Functions,Workflows,Input/Output contracts,Expected effects也就是系统允许对这些对象做什么。例如:approve_order,update_customer_status,assign_case,send_contract_update,create_invoice,trigger_inspection,escalate_alert.这些行动不是任意工具调用,而是被定义在企业业务语义中的行动类型。它们有输入要求,有作用对象,有执行条件,也有预期副作用。
第三类是 Control Semantics:Dynamic Security,Policy bindings,Permission model,Provenance constraints,Runtime constraints,Audit requirements.也就是哪些人、哪些 Agent、在哪些上下文下,可以对哪些对象执行哪些行动,以及执行后如何被记录和审计。
这三类语义合在一起,构成了 Palantir AIP 行动治理链路的基础。
这也是为什么 Palantir Ontology 不能只被理解为“业务对象建模”。它同时定义了:
这里还需要进一步区分两层语义。
第一层是 业务领域本体,Domain Ontology。
这是业务专家、开发者、FDE 或平台用户显性建模出来的部分。它描述某个企业或行业中的业务对象、属性、关系、状态与行动能力。例如客户、订单、发票、资产、供应商、案件、告警,以及审批订单、更新客户状态、创建发票、触发巡检等行动。这一层本体通常是面向业务场景的:制造业有制造业的对象与流程,金融有金融的账户、交易、风险与合规对象,医疗有患者、诊疗、预约、检查与账单对象。它回答的是:这个业务世界由什么组成?这些对象之间有什么关系?系统允许对它们执行哪些业务行动?
第二层是 平台内核语义,Kernel-level Control Semantics。
它不是某个具体行业的业务对象,而是平台为了让业务对象和行动能力能够被安全运行所必须具备的控制语义。它包括:
这一层语义未必以一个独立的 “Ontology” 界面暴露给业务用户,但它实际上决定了平台如何治理行动:
因此,Palantir 的 Ontology 可以被理解为显性表达了业务领域本体和行动能力;而其行动控制能力,则更多来自平台内部对 control semantics 的分布式绑定。也就是说:
2.2 Pre-LLM:构造受约束的模型可见企业世界
在 design-time 阶段,企业已经通过 Ontology 把业务对象、状态、行动能力与治理约束组织成一个可被系统引用的企业行动空间。但这并不意味着,在每一次 Agent 推理之前,模型都应该看到完整的企业世界,也不意味着所有对象、所有字段、所有行动能力都应该暴露给 LLM。
在 Palantir AIP 这样的企业级系统中,Pre-LLM 阶段不是把完整企业世界原样暴露给模型,也不是把全部 ontology、对象实例和工具说明塞进 prompt,而是基于当前身份、权限、任务和应用场景,构造模型可以参与推理的可见世界。这个可见世界至少包含三类内容。
第一类是 type-level semantics,也就是类型层面的语义:
第二类是 instance-level context,也就是实例层面的上下文:
它告诉模型当前任务中可以看到哪些具体对象实例,这些对象处于什么状态,对象之间有什么关系,以及哪些属性和上下文信息是当前身份与权限下允许被使用的。
第三类是 visible action space,也就是可见行动空间:
它告诉模型当前上下文中可以看到、理解和提出哪些行动能力。也就是说,这一层回答的是:
这里需要特别强调一点:可见行动空间不等于执行授权。在 Pre-LLM 阶段,身份、权限和策略会影响模型可见的行动空间。换句话说,系统会根据当前用户身份、权限、应用场景和任务上下文,决定哪些 Action / Function 可以进入模型上下文,哪些不应该被模型看到或提出。
这里还需要进一步说明:Pre-LLM 阶段并不是把完整 ontology 喂给模型。
企业 ontology 可能非常庞大,包含大量对象类型、关系、行动类型、函数合约、权限规则和业务状态。每一次 Agent 推理时,系统真正需要做的是 runtime semantic selection:根据当前用户、任务、应用场景、业务对象、权限边界和历史上下文,从完整企业语义空间中选择一小部分与当前任务相关、且当前身份允许访问的语义片段,构造成模型可见企业世界。这套选择过程大致发生在三个层面。
第一,type-level selection。
系统不会把所有对象类型和所有 action schema 都交给模型,而是根据当前应用模块、任务意图、页面上下文、相关业务对象类型、可用 function contract 与角色权限,选择当前任务相关的类型语义。
例如,用户正在处理客户续约问题时,模型可能需要看到 Customer、Contract、Opportunity、Invoice、SupportCase 等对象类型,以及 create_followup_task、send_customer_email、generate_renewal_summary 等相关行动能力;但不需要看到仓储、生产线、医疗预约等无关领域对象。
第二,instance-level selection。
系统不会把所有对象实例都交给模型,而是选择当前任务相关、权限允许访问、并且与当前对象存在业务关系的实例上下文。
例如,销售代表处理 ACME 续约时,模型可能需要看到 ACME 这个 Customer、对应的 Renewal Contract、相关 Opportunity、未关闭的 critical Support Cases、逾期 Invoice 等;但不应该看到所有客户、其他销售负责的客户,或者权限外的财务明细。
第三,visible action selection。
系统不会把平台中所有 Action / Function 都暴露给模型,而是基于用户角色、对象类型、对象状态、当前流程、权限策略和风险级别,选择当前上下文中模型可以看到、理解和提出的候选行动。
例如,当 Customer.status = at_risk 且当前用户是 sales_rep 时,模型可能可以看到 create_followup_task、send_customer_email、update_customer_note、escalate_to_account_manager;但不应该看到 approve_discount、delete…