پژوهش
EBL-Core میان تأیید سیاستی عامل و اختیار واقعی اجرا مرز می‌گذارد
EBL-Core پیشنهاد می‌کند اختیار اجرای عملیات پرخطر عامل‌های هوش مصنوعی در لحظه استفاده با عمل، سیاست، شواهد و شرایط فعلی دوباره تطبیق داده شود.
حاکمیت Runtime
-
عامل‌های هوشمند
UiPath برای کنترل عامل‌ها یک مدل داور به مسیر اجرا اضافه کرد
قابلیت LLM-as-Judge در UiPath قواعد عامل را با یک مدل جداگانه بررسی می‌کند و برای هر بررسی مصرف مستقل و تنظیمات قابل ممیزی ایجاد می‌کند.
-
عامل‌های هوشمند
OpenClaw دسترسی میان نشست‌های عامل‌ها را به‌طور پیش‌فرض فعال کرد
در OpenClaw 2026.9.2 دید سراسری نشست‌ها و ارتباط میان عامل‌ها به‌طور پیش‌فرض فعال است و ارتقا نیازمند بازبینی محدوده اعتماد است.
-
پژوهش
به‌روزرسانی هوک‌ها می‌تواند مسیری خارج از کنترل مستقیم مدل باز کند
پژوهش HookPry نشان می‌دهد چرا تغییر هوک‌های اجرایی باید مانند تغییر مجوز بررسی شود و با کمترین سطح دسترسی و ثبت منشأ اجرا همراه باشد.
-
پژوهش
CordisBench نشان می‌دهد کدام تصمیم‌های چرخه‌عمر عامل را باید محاسبه کرد، نه به مدل سپرد
CordisBench نشان می‌دهد با پیچیده‌تر شدن زیرساخت عامل، بعضی پیامدهای چرخه‌عمر بهتر است به‌جای استدلال مدل، پیش از اجرا به‌صورت قطعی محاسبه و بررسی شوند.
-
پژوهش
هارنس‌دِو نشان می‌دهد عامل‌های خودبهبوددهنده به دروازه انتشار نیاز دارند
هارنس‌دِو نشان می‌دهد چارچوب‌های عاملِ در حال تکامل پیش از ارتقا به اعتبارسنجی پنهان، آزمون اجراکننده، شواهد زمان اجرا و بازگشت نیاز دارند.
-
🪜 مدل بلوغ حاکمیت AI-Native
مدل شش‌مرحله‌ای بلوغ حاکمیت هوش مصنوعی با تمرکز بر اجرای واقعی سیاست، اندازه‌گیری، تناسب با ریسک و Runtime Verification Probe.
-
💸 مدل چهار بودجه‌ای برای حاکمیت عامل‌ها (۹/۱۰)
مدلی عملی برای حاکمیت عامل‌ها با چهار بودجه هزینه، توکن، قابلیت و زمان و رفتار مشخص سامانه در زمان رسیدن به سقف.
-
🛑 بدون مهار، حاکمیت هوش مصنوعی در لحظه بحران از کار می‌افتد (۶/۱۰)
مهار عامل‌های هوش مصنوعی در عمل یعنی توقف مستقل، کنترل شعاع اثر، بازیابی، قناری رفتاری و ثبت شواهد در محیط اجرا.
-
🧩 عامل‌های هوش مصنوعی به قرارداد نیاز دارند، نه پرامپت بهتر (۵/۱۰)
چگونه قراردادهای عامل محدوده، ابزار، بودجه، امتناع، ارجاع و شواهد را مشخص می‌کنند و حاکمیت را به کنترل اجرایی تبدیل می‌کنند.