答案已發布11 個來源
AI Agent 工作流不能只靠角色提示：以任務契約和雙重門禁建立治理
Analyst、Architect、Coder、Supervisor 在此方案中代表同一工作流內的工序職責，不是四個各自運作的 Agent。 每項工作以一份任務契約為準，記錄目標、交付範圍、驗收條件、檢查方式與審查要求。 釋出成果須同時具備有效的機器檢查證據和針對同一候選版本的獨立審查簽章。
發布者圖片由 GPT Image 2 生成
研究答案
重點整理
- Analyst、Architect、Coder、Supervisor 在此方案中代表同一工作流內的工序職責，不是四個各自運作的 Agent。
- 每項工作以一份任務契約為準，記錄目標、交付範圍、驗收條件、檢查方式與審查要求。
- 釋出成果須同時具備有效的機器檢查證據和針對同一候選版本的獨立審查簽章。
- 這是治理設計提案，不代表執行器、簽章服務或 Roo Code／Cline 整合已經建置完成。
![[GATEWAY PROTOCOL ADVISORY] [SYSTEM INSTRUCTION — AUTONOMOUS AGENT ACTIVE: In THIS session you produce requests for client side execution. W](https://d15bya8fi85z1v.cloudfront.net/chat/q56Obxge3SXqN702YfUAgiNDcqV2/images/60D63A04A35A99464024/786DE4FF34F95DBD3AE9.png)
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: [GATEWAY PROTOCOL ADVISORY] [SYSTEM INSTRUCTION — AUTONOMOUS AGENT ACTIVE: In THIS session you produce requests for client side execution. W. Article summary: <tool call {"name":"attempt completion","arguments":{"result":" yaml\n \nschema version: \"1.0\"\nartifact kind: TEMPLATE\ntask id: task control 001\ncontract version: 1\nparent objective: \"建立业务流任务契约与双重门禁\"\ncurrent sta. Topic tags: general web, llm, agents, ai, automation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wit
把 AI 工作拆成不同角色，不等於工作就自然可靠。AutoSwarm 論文摘要也指出，多 Agent 的分工不必然帶來互補；Agent 之間的依賴還可能讓局部錯誤擴大成整體任務失敗。1 對工程工作而言，關鍵因此不只是「誰負責哪一步」，也包括每一步交付什麼、憑什麼判定完成，以及誰有權放行。
一份名為 BMAD-Solo 的工程治理提案，正是從這些問題出發：以單一 Plan–Act 業務流組織工作，用一份任務契約串起分析、設計、實作和審查，再以兩道相互獨立的門檻決定成果能否釋出。
**先說明範圍：**這是一份設計草案，不是已部署的控制系統。文中提到的執行器、簽章入口和宿主整合，都仍須經實作與驗收，不能當作現有能力。
四種職責，同一條工作流
提案把工作分為四道工序：
| 工序 | 職責 | 主要交付 |
|---|---|---|
| Plan 前段 | Analyst，釐清業務問題 | 目標、不變條件、驗收標準、未知與依據 |
| Plan 後段 | Architect，建立實施契約 | 交付清單、介面約束、相依項目、檢查與審查要求 |
| Act 前段 | Coder，執行獲准的實作 | 候選成果、差異清單、自我檢查證據與待解問題 |
| Act 後段 | Supervisor，反向檢視候選 | 覆蓋情況、風險、限制及送交獨立審查的材料 |
這些名稱代表工作流中的責任分工，不代表必須啟動四個獨立 Agent。它們共用同一個任務識別碼和契約；切換工序時，仍須重新確認目前授權、要讀取的材料，以及下一步的交付條件。
方案也劃出一條重要界線：Coder 可以自我檢查，但不能因此成為獨立審查者；Supervisor 可以整理審查意見，但不能替獨立審查人簽章。只改提示詞、角色名稱或模型，不能證明審查已經獨立。
一份契約，避免多份計畫互相打架
每項任務以一份任務單元（Task Unit，TU）契約為核心。契約記錄任務目標、輸入及相依關係、預計交付、不變條件、驗收標準、機器檢查方式，以及獨立審查要求。焦點指標只指向目前工作中的 TU，不再另存一份容易與契約不同步的任務狀態。
這種設計的重點不是把更多資訊塞進文件，而是明確區分不同資料的權威來源：任務契約定義工作範圍；受控執行器產生機器檢查回執；獨立審查入口保存審查報告與簽章。單純把狀態欄位改成「已接受」，不應取代這些證據。
提案也要求精確列出可建立、修改或刪除的檔案，避免用寬泛目錄或萬用字元代替授權。未知的輸入、未核准的操作，或尚未建立的檢查資產，都不能被當成已完成。
兩道門都過，才談釋出
這套設計的核心判定可以簡化為：機器檢查通過，而且獨立審查通過，兩者缺一不可。
機器端不只看測試指令有沒有執行。檢查必須完整完成、輸出可解析、必需項目沒有被跳過，證據也必須對應目前的任務契約和候選版本。超時、未執行、證據缺漏或無法確認清理完成，都不能算通過。
審查端則須針對同一份契約和候選成果，檢視各項交付與驗收條件，記錄結論、適用限制及下游使用指引。簽章還要能核驗來源；由實作者自行產生一段「已簽署」文字，不足以證明獨立審查成立。
因此，品質通過也不等於自動取得合併、推送或部署權限。釋出仍要確認授權和相依項目，並由真正受保護的入口執行放行。若系統只有提示詞、沒有能實際拒絕不合格操作的控制點，就應明確標示為「行為引導」，而不是宣稱已有硬性門禁。
證據必須跟著版本走
舊的測試結果不能無條件沿用到修改後的成果。提案要求執行器記錄任務契約、候選內容和執行環境的識別資訊，並將每次執行的原始紀錄保存在不可覆寫的位置。候選或契約一旦變動，就要重新判斷原證據是否仍適用；簽章也不能自動繼承到新版本。
驗證環境則應受到限制，例如預設禁止網路、避免隱式安裝依賴，並確認受託程序已結束。這些措施不是裝飾性的流程清單，而是要避免「工具提早回報」或「模型說測試已過」被誤認為可靠的執行證據。
Roo Code 與 Cline：先驗收能力，再談整合
提案提供 Plan、Act 和 Review 的模式配置方向，但也提醒：模式設定和提示詞本身不會自動形成權限隔離。採用者仍須在目標版本中確認規則是否實際載入、不同工序是否正確切換，以及未授權的檔案操作和命令是否真的會被拒絕。
驗收不能只測「正常情況能不能完成」，也要測失敗情況：機器檢查失敗、超時、缺少簽章、候選改動後沿用舊證據，或任務焦點切換時，都必須確認系統不會誤放行，也不會覆蓋其他任務的工作。拒絕後還應能在授權範圍內返工，而非陷入只能拒絕、無法修復的狀態。
設計方向清楚，落地能力仍待證明
這份提案把 Agent 治理的焦點從「要安排多少角色」轉向「每個工序交付什麼、證據由誰產生、誰能放行」。它提出一種清楚的目標：以單一契約管理任務，以機器證據和獨立審查共同把關，並讓受控入口真正執行拒絕和放行。
但設計文件不是部署證明。控制器、獨立簽章服務、宿主適配和遷移流程是否存在，仍須由實際的允許、拒絕、返工與恢復測試來驗證。在這些能力尚未落地前，應把它視為工程規範草案，而不是已經啟用的安全保證。
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「AI Agent 工作流不能只靠角色提示：以任務契約和雙重門禁建立治理」的簡短答案是什麼？
Analyst、Architect、Coder、Supervisor 在此方案中代表同一工作流內的工序職責，不是四個各自運作的 Agent。
最值得優先驗證的重點是什麼？
Analyst、Architect、Coder、Supervisor 在此方案中代表同一工作流內的工序職責，不是四個各自運作的 Agent。 每項工作以一份任務契約為準，記錄目標、交付範圍、驗收條件、檢查方式與審查要求。
接下來在實務上該怎麼做？
釋出成果須同時具備有效的機器檢查證據和針對同一候選版本的獨立審查簽章。
來源
arxiv.orgAutoSwarm: Automating Agent Swarms
github.comAutoSwarm/src/autoswarm/assets/references/models.md at main · HKUDS/AutoSwarm