以契约为中心的可扩展且易管理的智能体运行时架构

企业 AI 部署是一个跨业务部门、应用与 AI 团队、测试、平台工程、基础设施、安全、运维以及数据治理的协调问题。用例基准只能展示某个智能体是否完成一项任务，却无法说明当能力、模型、运行时机制、容量和企业数据发生变化时，如何共同归属、变更、准入或举证。 我们将四个责任对象作为共享的组织契约提出：Skill（可复用、可版本化的能力与工作流资产）、Harness（运行时编译器与治理器）、Scaffold（执行/控制边界与 NFR 负责方），以及一个位于栈外、其语义与遥测由独立 CIO 治理的数据基底。运行时核心为 A = ，数据基底位于该栈之外。 核心贡献是一条有边界、可证伪的假设 P1（面向成本的能力-容量可分离性）：在声明的运行区间内，改变已激活能力会在预先登记的等效边界内保持容量-响应交互不变；而改变兼容的 Scaffold 容量会在非劣边界内保持能力语义，并且所需控制保持在声明的执行预算内。六项设计条件转化为可测量义务，其覆盖度、违例、不确定性、成本和排除项共同决定 P1 是否可判定。我们提出一种簇-周期随机交叉实验（平衡顺序、重置/洗脱、重复随机种子和故障情景、考虑簇结构的不确定性），并给出四态判定：支持、证伪、条件性工程化或结论不明。本文贡献了一种受契约约束的运行时架构、一个保持源信息的数据基底，以及一套可证伪的测量协议。本文未报告任何已完成的实现、实验、数据集或测量结果。