人工智能代理（AI Agent）的治理正面临前所未有的挑战。由于不同AI Agent在属性特征和部署后影响方面存在显著差异，监管机构难以确定风险评估标准，进而实施针对性监管措施。当前主流治理框架，如欧盟《人工智能法案》的风险分级制度和美国国家标准与技术研究院（NIST）的AI风险管理框架，均以系统整体风险等级为出发点，缺乏对AI Agent核心属性的精细化分析。尽管自动驾驶领域通过自动化等级分类（SAE J3016）建立了有效监管标准，但这类方法无法直接应用于通用型AI Agent的治理。
随着大语言模型（LLM）与工具调用、推理协议、外部记忆等技术的融合，AI Agent的能力边界持续扩展。这些系统已在医疗、金融、交通等数十个真实场景中独立执行任务，但人类对其能力范围和治理需求的理解仍存在重大缺口。针对这一困境，Google DeepMind团队在《自然》期刊发表研究，提出"智能体画像"（Agentic Profile）框架，从自主性、效能、目标复杂度和通用性四个维度系统刻画AI Agent的核心特征，并通过AlphaGo、ChatGPT-3.5等典型案例展示差异化治理路径。
研究团队首先重新定义了AI Agent的概念：能够在有限外部控制下，跨领域执行复杂且具有影响力目标导向行动的系统。这一定义突破传统"是/非Agent"的二元分类，强调通过动态画像评估系统能力。团队系统梳理了计算机科学领域七种代表性定义，发现尽管表述各异，但均涉及环境感知、目标追求、行动执行和外部控制脱离等核心要素。这些定义虽能判断系统是否具备Agent特征，却无法区分不同系统在行动能力上的本质差异——例如，仅能在棋盘落子的系统与能调用支付API、操作物理设备的系统，其风险等级存在天壤之别。
在核心维度构建方面，自主性指标借鉴自动驾驶分级思路，划分为从A.0（完全依赖人类操作）到A.5（全场景自主运行）的六个等级。高自主性系统需配备完整行动日志、可扩展监督机制和紧急关停功能，传统"人在回路中"原则必须通过时间、信息和权限验证确保可操作性。效能维度通过"因果影响等级×环境类型"矩阵评估，揭示相同模型能力在不同部署场景下可能产生完全不同的风险水平——作用于物理环境的"中等控制力"系统，其风险可能等同于模拟环境中的"高控制力"系统。
目标复杂度维度从GC.0（无目标）到GC.5（自主生成目标结构）进行分级，通过分层规划、计划长度等指标量化系统处理复杂目标的能力。该维度与治理的关键关联在于：目标越复杂，系统越可能通过"规范博弈"偏离原始意图，因此需要机械可解释性技术、行动唯一标识和标准化通信协议支撑透明度建设。通用性维度则从G.0（单一场景）到G.5（全认知领域）划分，强调高通用性系统的风险可能跨越多个行业部门，需要建立跨部门协调治理框架。
基于四个维度，研究团队为四个典型系统绘制了具体画像：AlphaGo在自主性方面表现中等，但受限于围棋环境导致效能和通用性较低；ChatGPT-3.5具备较强跨领域能力，但需用户触发请求且无法直接行动；接入工具调用后的Claude 3.5 Sonnet在自主性、效能和目标复杂度上显著提升；Waymo虽通用性有限，但能直接作用于物理世界，具有高自主性和现实影响力。这些案例表明，系统治理需求不能通过单一维度判断——Waymo的物理影响力远超通用性更高的Claude 3.5，而AlphaGo的自主性又高于ChatGPT-3.5。
该框架对治理实践具有重要启示：不同维度能力需要匹配差异化治理机制。例如，高自主性系统需强化审计追踪和紧急干预能力；高效能物理系统应建立更严格的问责链条；复杂目标系统需要提升行为可解释性；高通用性系统则需跨部门监管协调。研究同时指出，当前框架仍存在概念验证阶段的局限性，包括缺乏可操作的定量指标、分级粒度验证不足，以及治理规范制定主体、问责链构建等基础性问题有待解决。特别是当AI Agent在不同情境中行使能动性时，如何将责任清晰分配给开发者、部署方等主体，仍需法律和伦理层面的深入研究。
这项研究通过解构AI Agent的核心能力差异，为技术审计、权限管理和监管分级提供了共同语言。其核心价值在于将治理焦点从"模型能回答什么"转向"系统能自主完成什么、通过何种权限完成、对哪个环境产生后果"，为应对AI治理的根本性困境提供了新思路。完整技术细节可参阅原论文。
