AI Agent 治理：数据层是最后防线
当 Agent 开始自主行动，治理必须下沉到数据层
企业正在给 AI Agent 越来越多的自主权——它们可以自行规划、决策、跨系统执行任务，无需人类逐项审批。但随之而来的一个尖锐问题：当一个 Agent 试图执行它从未被授权的操作时，系统如何拦截？
近期行业讨论聚焦于一个共识：传统的访问控制（如 API 网关、权限列表）已不足以应对 Agent 的复杂行为。治理必须内嵌到数据层，成为架构的一部分，而非外挂的规则。
自主 Agent 的治理困境
EDB 在最新报告中指出，当 Agent 拥有自主行动能力后，每一次架构评审都必须回答：它是否有权做这件事？但现实是，Agent 的决策路径不可预测，可能绕过预设的审批流。
Gravitee 则强调，企业部署的不是单个 Agent，而是成群的 Agent 舰队。它们互相调用 API、调用其他 Agent、深入应用系统。复杂性不在单个 Agent 内部，而在它们之间的交互中。这种复杂性是治理的盲区。
为什么数据层是关键？
数据层治理的核心思路：将权限、审计、合规规则嵌入数据访问路径。当 Agent 尝试读取或写入数据时，系统基于数据本身的敏感级别、上下文和 Agent 的授权范围实时决策。
相比 API 层治理，数据层有几个优势：
- 更细粒度：可以控制到字段级，而非接口级。
- 更动态：基于数据内容（如 PII、财务信息）而非静态接口定义。
- 更可审计：每次数据访问都留下不可篡改的记录，满足合规要求。
Anthropic 的 Model Hardware Standard（MHS）也体现了类似思路——为物理设备提供统一接口，但强调人类监督不可或缺。数据层治理同样需要人机协作，不能完全自动化。
现实案例与数据
Google DeepMind 的 AI Co-Scientist 已能自主设计实验、操作设备、撰写论文。在三个学科中，它交付了实验有效的结果。但团队仍保留人类审核环节，因为 Agent 偶尔会误解物理因果关系。
这印证了数据层治理的必要性：即使 Agent 能力再强，也需要在关键数据操作上设置检查点。
给中国企业的行动建议
- 盘点数据资产：明确哪些数据是敏感的，哪些操作是高风险。
- 将治理规则嵌入数据访问层：不要依赖外部网关，而是让数据库、数据湖自身具备权限判断能力。
- 建立 Agent 行为审计日志：记录每个 Agent 的数据访问轨迹，便于回溯和合规审查。
- 保持人类监督：在关键决策点（如删除数据、跨系统写入）保留人工审批，即使 Agent 拥有自主权。
结论
自主 Agent 的治理没有银弹，但数据层是最后的防线。中国企业应尽早将治理内嵌到数据架构中，而不是事后补救。这不仅是为了合规，更是为了在 Agent 规模化部署时，避免失控风险。
现在就开始行动：从数据分类和访问审计做起。
订阅每周好码简报