从智能体故障路径到量化残余风险：弹性智能体人工智能的组合框架

arXiv:2607.18243v1 公告类型：新 摘要：Agentic AI 跨越信任边界的速度比当前风险模型所能代表的速度更快。现有方法提供了两种局部视图之一。它们要么描述故障机制而不产生可转移的剩余风险估计，要么在将内部故障路径视为黑匣子的同时产生风险估计。我们通过提出 CPSAINT（物理状态、传感器、数据、计算、执行器、环境和时间的七层完整性分解）结合这两种观点，并与 FRIESA-K（一种将每个故障路径映射到量化风险实例的剩余风险函数）配对。 FRIESA-K 将阻力项 K 建立在受控吸收马尔可夫模型中，以便控制有效性源自状态动态而不是分配为非正式分数。其结果是为弹性代理和具体人工智能提供了一个简洁的机制来衡量管道。我们通过单独的附加惩罚来报告治理可观察性，而不是将治理作为阻力函数中的新变量插入。我们形式化了结构可组合性，将有效的故障路径与明确定义的风险实例联系起来，并在两个对比场景（硬实时仓库机器人和治理工具化的金融服务代理）上展示了该框架。在这两种情况下，相同的层语法、变量语义和动态阻力结构保持不变。因此，我们获得了一个紧凑的内核，它支持跨域推理、显式假设和可组合信任的定量形式。