DSWork让企业拥有可控的Agent治理能力

摘要： Agent 接入真实业务后，企业需要持续掌握它代表谁、可以做什么、何时需要确认，以及异常发生后怎样限制影响。DSWork 的治理思路，是让授权和规则贯穿任务执行，通过可复核的执行事实持续改进，最终沉淀为企业自己的工作方法。

企业把 Agent 接入业务系统，也是在向它开放一部分真实的业务操作权限。

它能查看哪些资料，能改动哪些数据，能否代表企业发出一份文件，都对应具体的业务责任。接入更多工具，会扩大它能够完成的工作范围，也需要企业更清楚地管理这些权限。

微软近期把企业内部的 Agent 视为需要持续管理的对象，提醒企业：即使 Agent 由自己部署，也可能随着上下文变化作出未被预期的行动。(blogs.microsoft.com)

这让企业 AI 面临一个更深的问题：工作可以交给 Agent，企业仍要保有决定这些权限如何使用、何时收回的能力。

对 DSWork 来说，治理要贯穿任务的委托、执行和复核，让企业在扩大 AI 应用范围时，始终能够掌握具体操作的授权与依据。

---

一、任务可以转交，授权不能自行扩大

员工有权使用某个系统，并不意味着他发起的每项 Agent 任务都需要获得全部权限。

企业需要能够区分：谁发起了任务，哪个 Agent 负责执行，谁有权批准关键操作。发起人、执行者和审批人，要能够分别识别和追溯。

在这个基础上，再明确当前任务可以访问的资料、允许执行的操作，以及授权的有效范围和期限。

当任务转交给另一个 Agent 时，原来的数据范围、操作限制和确认要求，也要继续有效。

负责分析的 Agent，不能仅通过把任务交给一个拥有写入能力的 Agent，就让这项分析任务获得修改业务数据的权限。新增操作，需要对应的新授权。

分工可以变化，任务的授权不能在转交中被自行放大。

这意味着，DSWork 的治理设计需要把一项任务中的人员、Agent、工具和操作关联起来。企业管理的对象，是这项业务委托如何被执行，以及每一步是否仍在委托范围内。

▲ 身份可追溯、边界明确，转交不放大授权

---

二、执行方式可以变化，企业规则要持续有效

Agent 的价值，在于它可以根据任务情况选择工具、调整步骤。企业需要为这种灵活性划定稳定的授权范围。

换一个模型，或者调整一套 Skill，不能同时改变一项业务操作的授权条件。

因此，这些条件需要作为企业规则独立维护，并在工具调用和业务系统真正执行操作的入口核验。界面上设置的审批，只有能够约束实际操作，才有治理意义。

将智能供给与授权分开，还意味着根据执行中的风险变化调整权限。落到业务中，可以是在出现异常时暂停写入、限制可访问的资源，或者要求关键操作重新获得确认。

这样的治理，会随着任务推进持续发生。

例如，批准发送的文件或收件人发生变化，就需要重新核验；任务开始访问无关资源，就需要限制相关操作；原有授权到期，也不能因为任务尚未结束而自动延长。

AI 可以协助识别异常、分析原因，但收回权限、限制工具或暂停任务，需要由模型无法自行改变的控制机制落实。

对 DSWork 而言，这也是治理能力需要独立于具体模型和执行框架建设的原因：执行方式可以更新，企业对数据、操作和业务责任的要求仍要持续生效。

▲ 规则独立维护、入口核验，异常时按风险收紧

---

三、治理的依据，要来自真实的执行事实

任务结束后，一句“已经完成”，还不足以判断执行是否符合企业要求。

企业需要能够核对实际发生的事情：使用了哪些资料，调用了什么工具，哪些业务记录发生了变化，关键操作是否对应有效的确认，最终成果是否通过验收。

这些事实，需要来自工具和业务系统的执行记录，并与当时的任务、授权条件和审批内容关联。

有了这样的依据，企业才能区分：一次问题究竟来自资料错误、工具故障、业务规则遗漏，还是超出了授权范围。问题不同，改进方式也不同。

这也是执行记录进入治理的关键一步。

业务规则存在歧义，就需要把条件写清楚；反复出现的风险，需要补充相应检查；一项操作是否适合自动执行，则要结合实际结果、影响范围和业务责任重新评估。

这些调整经过确认和验证，再用于后续任务。治理由此能够持续改进，企业也逐步明确哪些工作可以放心交出去，哪些环节仍需人工判断。

治理规则在任务中执行，执行事实用来检验规则，经过验证的改进再进入下一次任务。

这条联系，才让一次次 Agent 应用能够形成企业自己的积累。

▲ 执行事实关联授权与审批，问题归因才能精准改进

---

四、DSWork 要积累的，是企业自己的工作方法

沿着这条思路，企业 AI 的业务适配，就有了更明确的交付内容：工作怎样完成、什么条件下允许执行、怎样判断结果合格。

DSWork 将会话、文件、模型、工具、任务和成果组织到统一工作空间，并结合企业环境提供部署与业务适配方案。这个基础之上，值得持续建设的，是把企业的工作方法转化为可以执行、可以核验的任务。

一项业务经过梳理和验证，可以留下任务模板、业务校验规则、工具连接、授权条件和成果验收标准。执行记录则把所用资料、实际操作、人工确认与最终结果关联起来，为复核和改进提供依据。

这些积累，决定了同类任务下一次能否更稳定地交给AI，也决定了企业需要重复投入多少人工。

例如，一次任务因为缺少参数而停下来，业务人员补充了判断条件。这个条件经过确认后，就可以进入后续任务的检查规则。下一次遇到同类问题，系统有了明确的处理依据，企业也少了一次临时解释和反复沟通。

这比保存一段成功的对话更进一步：经验开始成为可复用、可检查的工作方法。

模型和执行框架可以持续更新，企业已经梳理清楚的规则，应当能够独立维护。

更换模型之后，效果和工具适配仍需重新验证。但企业不必因此把岗位规则、授权关系和验收要求全部重新梳理。对 DSWork 来说，这应当成为产品架构和项目交付共同遵循的方向。

这也让“可执行、可治理、可沉淀”有了具体含义：一项工作能够被完成，执行过程符合授权，经过验证的方法能够用于下一次任务。

▲ 把工作方法沉淀为可复用、可检查的积累

企业使用 AI 越久，应该越清楚哪些工作可以交出去，哪些条件必须满足，以及怎样判断结果是否可用。

“模型升级带来的能力，会继续变化。企业逐步建立起来的这套工作方法，才是 DSWork 希望帮助客户留下来的长期积累。”