POLARIS：面向后台自动化 Agentic AI 的类型化规划与受治理执行

摘要

企业后台工作流需要可审计、符合政策且运营上可预测的智能体系统，而通用多智能体设置常常无法提供这些能力。我们提出 POLARIS（Policy-Aware LLM Agentic Reasoning for Integrated Systems），一个受治理的编排框架，将自动化视为对 LLM 智能体的类型化计划合成与经验证的执行。规划器提出结构多样的、经类型检查的有向无环图（DAG），评分细则引导的推理模块选出单一合规计划，执行由验证器门控检查、有界修复循环以及编译型政策护栏保护，在副作用发生前将其阻断或改道。应用于以文档为中心的财务任务时，POLARIS 产出决策级工件与完整执行轨迹，同时减少人工干预。实证上，POLARIS 在 SROIE 数据集上取得 0.81 的 micro F1，并在受控合成套件上对异常路由取得 0.95 到 1.00 的精确率且保留审计轨迹。这些评估构成受治理 Agentic AI 的初步基准。POLARIS 为符合政策的 Agentic AI 提供了方法与基准参考。关键词：Agentic AI、企业自动化、后台任务、基准、治理、类型化规划、评估。

POLARIS：面向后台自动化 Agentic AI 的类型化规划与受治理执行 — 图1：具有受治理计划选择的 POLARIS 编排总览。原始输入（提示/触发器/PDF）由 InputNormalizerAgent 规范化。CoAPlannerAgent 提出多个结构化执行计划；一个 Reasoning Agent 对其打分并选定单一计划。所选计划以 DAG 形式执行：DocumentParserAgent 与 DataValidatorAgent 在有界修复循环（橙色）下运行以改进抽取，此后仅调用所需的 Data Processor Agent（例如 RecordMatching、PolicyRetrieval、AnomalyDetection、RiskControl、APIAccess）。Reconciliation Agent（Approval、ReportGenerator）产出决策级输出（Structured Report、Approval/Decision Action、Inference/Alert Result）。虚线表示跨阶段的数据/控制流。DSPy few-shot 学习提供规划先验。