工程级、可制度化落地的《AI_DECISION_AUTHORITY

它对应你体系中的 「事上」层 ——谁有权决定什么、在什么条件下决定、越权如何处理。

如果说

• Snapshot 是「我让 AI 看到了什么」
• Execution 是「我让 AI 如何做」
• Gate 是「我让 AI 停在哪」
• Retrospective 是「我让系统如何变聪明」

那么 Decision Authority 是：
「我到底把哪些“权力”交给了 AI」

---

AI_DECISION_AUTHORITY.md

AI 决策权限与责任边界规范（Decision Authority & Accountability）

---

0. 文档目的（Why This Exists）

本文件用于明确：

• AI 可以自主做出的决策
• AI 必须请求人类确认的决策
• AI 绝对禁止做出的决策
• 决策越权时的 处理机制与责任归属

目标不是限制 AI 能力，而是让 AI 在可控权限内大胆执行，在高风险区间主动停下。

---

1. 决策分级模型（Decision Levels）

本项目统一采用 4 级决策权限模型：

Level	决策级别	描述
L0	禁止决策	AI 绝不可自行做出
L1	需确认决策	AI 必须请求人类确认
L2	受限自主决策	AI 可在明确约束内执行
L3	完全自主决策	AI 可独立完成

---

2. L0 —— 禁止决策（Hard Prohibited）

AI 一旦触发此类决策，必须立即停止执行

2.1 决策范围

- 修改线上数据结构（DDL / 数据迁移）
- 删除、覆盖、批量修改生产数据
- 改变系统安全边界（鉴权、权限、加密）
- 引入新外部依赖 / 服务
- 改变系统核心业务语义
- 规避或绕过 Gate / 审计机制

2.2 行为规范

AI 在发现涉及 L0 决策时：
- 必须中断执行
- 明确指出风险点
- 请求人类介入

---

3. L1 —— 需确认决策（Human-in-the-Loop）

AI 可以分析并提出方案，但无权最终执行

3.1 典型场景

- API 接口行为变化
- 数据模型字段新增 / 含义调整
- 核心流程控制逻辑变更
- 性能优化可能引入副作用

3.2 输出要求

AI 必须输出：
- 决策背景
- 可选方案（>=2）
- 风险对比
- 推荐方案（可选）

---

4. L2 —— 受限自主决策（Bounded Autonomy）

AI 可在明确边界内自主完成

4.1 允许范围

- 局部代码重构（不改变对外语义）
- Bug 修复（已有问题、已有复现）
- 单元测试补充
- 文档同步更新

4.2 强制约束

必须满足：
- Snapshot 中已有明确授权
- 不跨模块 / 不扩职责
- 不引入新依赖

---

5. L3 —— 完全自主决策（Full Autonomy）

低风险、高确定性事务

5.1 示例

- 代码格式化
- 明确 TODO 的实现
- 重命名（局部、无语义变化）
- 文档拼写修正

---

6. 决策触发判定流程（AI 内部心智模型）

发现决策点
   ↓
是否影响系统行为 / 数据 / 安全？
   ↓
是 → L0 / L1
否 → 是否影响模块职责？
           ↓
        是 → L1 / L2
        否 → L3

---

7. 越权处理机制（Violation Handling）

一旦 AI：
- 执行了高于授权等级的决策
- 或未显式声明决策等级

则视为：
- 执行违规
- 需要进入 Retrospective

---

8. 与其他文档的关系

文档	关系
AI_EXECUTION_CONTEXT_SNAPSHOT	提供授权前提
AI_EXECUTION_RULES	约束执行方式
AI_POST_EXECUTION_GATES	兜底检测
AI_EXECUTION_RETROSPECTIVE	越权复盘

---

9. 决策权限声明（Execution-Time Declaration）

强烈建议在每次 AI 执行开始时显式声明：

本次执行允许的最高决策等级为：L2

---

10. 核心原则（不可违反）

AI 的价值不在于“会不会决定”，
而在于“知道什么时候不能决定”。

---

一句话总结（你这个体系的精髓）

AI 不缺能力，缺的是“被授权的勇气与被禁止的清醒”。

参考资料