DeepMind提出智能委托框架 为新兴代理网络保驾护航

背景

随着生成式 AI 向多代理系统演进，业界对能够自主分配、协作并完成复杂任务的“代理网络”热情高涨。但现有的多代理框架大多依赖硬编码的启发式规则，面对环境变化或异常情况时容易失效。DeepMind 近期在《Intelligent AI Delegation》论文中提出，以组织学中的权威、责任与问责为模型，构建更为稳健的委托机制。

框架核心五大支柱

• 核心功能‑动态评估：实时推断每个代理的状态和能力，上下文感知任务分配。
• 自适应执行‑协同调度：在运行时自动调整执行路径，容错并处理突发失败。
• 结构透明‑可验证完成：对任务流全过程进行监控，提供可审计的结果证明。
• 可扩展市场‑信任与多目标优化：在开放市场中通过信誉系统实现高效、可信的协同。
• 系统韧性‑安全与权限控制：防止级联故障与恶意利用，确保最小权限原则。

合同优先的任务分解

框架强调“Contract‑First”原则：委托者仅在能够对结果进行精确验证时才下发任务。若任务过于主观或复杂（如撰写研究论文），系统会递归分解为可验证的子任务，直至匹配单元测试、形式化证明等自动化检查手段。

安全与令牌机制

为防止链式委托中的权限滥用，DeepMind 引入 Delegation Capability Tokens (DCT)。

• 基于 Macaroons / Biscuits 的加密限制（caveat），实现细粒度的读写控制。
• 每个代理在获得令牌后只能执行明确授权的操作，例如只读特定云盘文件夹，禁止写入。
• 通过链式签名实现“责任传递”，上游代理可验证下游代理的工作及其验证过程。

现有协议评估

论文对四大行业协议进行了对标分析：

• MCP（模型上下文协议）缺少委托链的权限策略层。
• A2A（代理‑代理协议）未定义零知识证明或签名链的标准头部。
• AP2（代理支付协议）无法在付款前对工作质量进行自动化验证。
• UCP（通用商业协议）侧重商品交易，未覆盖抽象计算任务的需求。

影响与展望

智能委托框架为构建“大规模代理网络”提供了制度化基础，能够显著提升系统的鲁棒性与安全性。随着 DCT 等细粒度授权技术成熟，未来的 AI 经济体有望实现可信的自动化协作，推动从单一模型服务向多代理生态的跃迁。

“在代理网络中，权责的可验证转移是实现安全、可扩展协作的关键。” — DeepMind 研究团队