authorization

文章探讨了企业AI项目往往无法投入生产的原因，重点关注数据质量、遗留系统和部署安全方面的挑战。

本文讨论了控制AI代理执行不可逆操作的授权层的需求，介绍了Agaemon作为一种解决方案，允许代理决定行动，同时确保它们在明确权限和策略内运行。

本文主张，在代理系统中，人工批准应绑定到提案的具体细节，并在提案变更时失效，从而防止未授权操作，确保系统安全。

文章强调了AI代理政策与实际执行之间的差距，提出规则必须以阻止性检查的形式实施，并通过测试验证以确保合规。

本文探讨AI代理是否应具有内部或外部消费权限，倡导通过网关等工具执行外部策略，以管理多个代理的预算。

本文讨论了在代理型AI中执行绑定授权的必要性，强调身份本身是不够的，并引用了关于运行时控制和来源的近期研究。

本文认为，智能体AI需要超越身份验证的基于执行的授权，强调运行时控制和事务级保障，以应对NIST和NCSC提出的安全挑战。

本文探讨了证明AI代理执行操作授权的挑战，强调仅凭凭证是不够的，授权必须是执行前的、基于策略的，并且可验证。

文章认为授权术语令人混乱，并提出基于五个关键问题的分类法，以更好地对RBAC、ABAC和PBAC等模型进行分类。

本文指出LLM代理中的一个安全风险，其中持久化记忆可能伪造授权，导致未授权操作，并提出了一个基准测试EAL-Bench来评估此问题及缓解策略。

作者正在测试一个原型，该原型在多代理工具执行中提供经过密码学验证的授权证据，询问这是否解决了开发人员的一个重大生产问题。

推文强调了多种代理协议正聚焦于一个未解决的问题：如何证明代理身份和权限以实现跨组织互操作性，重点关注身份层而非消息格式。

本文介绍了Agentic Principal Chain（APC），这是一个针对多代理AI系统的安全框架，它强制执行会话感知的授权，以防止委托滥用和有害行为组合，在评估中显示出显著的风险降低。

作者认为，在“AI代理的授权”这一术语下，两个截然不同的问题常常被混为一谈：一是代理的实际访问控制（IAM/RBAC/ABAC），二是授权后的实体正确性（尽管访问被允许，却返回了错误的记录）。作者询问从业者，这种区分是否成立，以及现有术语是否已涵盖这一点。

作者讨论了一种常见的故障模式：AI 代理虽然拥有有效权限，但仍会访问或作用于错误的数据，或扩大权限。作者质疑当前的 IAM/RBAC 工具是否能解决这一独立问题。

作者将自己实盘交易系统中的风险/授权层开源为一个独立的默认拒绝（fail-closed）策略引擎，该引擎在每次执行前评估智能体操作，并正在寻找智能体构建者进行试点。

This paper introduces CAGE, a certification method that verifies whether tool-using LLM agents remain authorized under typed-return uncertainty, including binding faults and numerical drift. It proves that separate channel certification is insufficient and provides exact and learned-gate variants for practical authorization.

文章讨论了欺诈预防系统如何针对能够自主消费的AI智能体进行演进，Visa、Mastercard和Amex均支持新的授权框架。

文章主张从认证转向授权，让用户能够在个人数据库中控制自己的数据。文章介绍了 ayb，一个用于数据库授权的开源工具，以及 Todos，一个连接到你自己数据库的待办事项应用，而不是登录界面。

作者分享了 Panerelay 的设计决策，这是一个开源项目，允许 AI 代理控制真实的 Chrome 配置文件，将权限（如站点访问、标签页选择和控制租约）分离，并征求社区对授权边界的反馈。