智能体让 API 从“被人类应用调用的能力”变成“可被模型规划、组合和执行的动作集合”。这提高了自动化上限,也改变了风险形态:一个过宽权限、一次错误配置或一个不可信工具描述,都可能在没人逐次确认的情况下被重复放大。

早期平台常用人类身份管理的思路处理智能体:为每个代理注册账号、建立资料、加入群组、授予角色。但当代理只存在几秒、按需生成并不断变化时,这种模式会产生“机器速度的身份膨胀”:大量短期对象、孤立条目和难以回收的授权。

治理问题不是“这个智能体是谁”,而是“它现在被允许做什么、在什么上下文、代表谁执行”?

把治理单位从目录转向动作

当动作成为治理单位,策略就能围绕意图、范围、委派关系和时间建立。一个任务级令牌可以只覆盖完成任务所需的几个操作,并明确代表哪个用户、服务或租户,附上到期时间与审计标识。任务结束后,权限自然失效。

允许动作 = 主体 + 目标资源 + 委派来源
    + 当前上下文 + 有效期 + 策略证据

这种模型比给智能体永久分配角色更贴近实际风险。人类用户可能是真正的责任主体,智能体只是临时执行者;目标 API 可能属于一个客户;策略可能要求“仅在工作时间、金额低于阈值、且由强认证用户发起”时允许转账。把信息压进一个宽泛角色,后续就无法准确撤销或证明。

治理必须成为公司级框架

随着 API 数量与智能体流量增长,单点团队很难各自制定互不兼容的规则。BECU 等组织的实践强调在全公司采用统一 API 治理框架,使所有开发团队遵循同样的安全与生命周期要求。它并不要求所有 API 长得相同,而是要求身份、策略、证据与责任在组织内可比较。

Akamai 咨询 CISO Steve Winterfeld 在 Nordic APIs 的访谈中提到,42% 的已报告事故涉及连接到 AI 的 API。无论按何种口径解读,这都说明 API 和 AI 风险已经无法分部门处理。更可行的方向,是把 API 与 AI 治理并入现有风险管理流程,通过安全培训、默认护栏和部署门禁把控制前移。

组织原则

统一治理并不是把所有决策集中到一个团队。 它是统一分类、最小标准、例外流程与证据要求,让分布式团队能在同一套边界内自主交付。

机器身份需要全链路血缘

智能体流量给身份、范围、确定性、成本与可观测性都带来新的压力。系统需要回答:请求由谁发起?经过哪个代理?调用了哪台模型与 MCP 服务?最终触达哪个 API?中间是否使用了缓存、异步队列或另一个代理?

如果只看到边缘网关收到一个令牌,无法区分它是被正确委派的用户操作,还是被提示注入劫持的自主任务。尤其在多代理与工具编排中,调用链会不断分叉,任何缺失的中间节点都会让责任链断开。

最小授权与即时授权

“最小权限”需要落实到动作、资源与时间,而不只是服务账号上的一组 scope。高影响动作应要求即时提升、双人审批或额外身份验证。令牌中应保留发起主体、代理角色、委派依据和授权版本,使运行时策略能够进行比较。

确定性不是重复同一答案

智能体可能根据上下文选择不同工具与参数。治理应关注可预测的边界:哪些工具可用、参数允许范围、何时必须人工确认、失败如何停止,以及怎样限额与回滚。与其追求输出完全一致,不如确保高影响路径有不可绕过的控制。

工具层是新的策略执行点

API 治理不再只针对 REST 规范与网关。MCP 服务器、函数调用、插件、代理执行框架与模型路由共同组成工具层,其中任何一个未纳管组件都可能成为影子入口。

  • 把工具目录与真实注册项关联,确认每个对外暴露的能力都有所有者、版本与风险等级。
  • 在工具调用前后执行鉴权、输入约束、敏感数据检查、配额与日志记录。
  • 对“读取并发送”“转账”“删除”等高风险组合设置人工确认或不可自动执行规则。
  • 识别提示注入可能篡改的目标、工具描述和外部数据源,避免模型把不可信内容当成指令。

治理重心正在移向运行时

静态检查仍能阻止明显错误,但无法回答智能体在真实上下文里正在做什么。运行时治理通过策略即代码、实时令牌约束、异常行为检测、成本上限与审计轨迹,持续判断动作是否仍然合理。

文档时治理

检查命名、版本、OpenAPI 结构。它回答“接口看起来是否合规”。

运行时治理

判断谁在调用、上下文是否允许、链路上是否有异常。它回答“这次动作是否真的应该发生”。

可观测性

把主体、代理、模型、MCP、API 与业务结果关联,形成可查询的执行链。

成本与配额

智能体重试和循环可能快速放大调用。必须用上限、熔断和缓存控制运行成本。

减少 API 与 MCP 的不可见增长

治理框架还需要持续控制供给。新 API 快速出现,MCP 服务器可以被个人立即启动,未登记工具不断进入智能体可选集合。组织需要发现实际运行资产,比较声明目录与观察流量,并通过默认拒绝、准入门禁和周期性回收抑制增长。

有意义的生命周期治理会回答五个问题:谁创建、为何存在、谁消费、是否仍有流量、退役后如何通知与迁移。缺少这些信息,治理就会退化为在每次事故之后追加一条规则。

一套可执行的智能体治理模型

  1. 定义高影响动作清单。 不是所有读取都需要同等强度,但资金、权限、生产变更与数据外发必须有专门控制。
  2. 用任务级令牌承载委派。 令牌声明代表谁、做什么、访问哪个资源,并提供短期失效与撤销。
  3. 把策略放在运行时执行。 网关、工具层和服务层都需要检查,不以模型“应该会遵守”作为安全控制。
  4. 建立全链路证据。 将用户、代理、模型、工具、API、版本、策略决策与结果关联起来。
  5. 以资产发现抑制影子增长。 持续比较部署、目录、注册表与实际流量,清理未知入口。

智能体并不会让 API 治理失效,反而把原本分散的设计问题集中暴露出来。接口是否清晰、权限是否最小、身份是否可委派、运行是否可观测、例外是否可撤销,都会在自动化环境中被放大。治理越早进入工具链与运行路径,智能体越能被安全地赋予自主性。