从目标到方面再审视:面向Agentic AI系统的NFR模式语言

Agentic AI系统表现出大量横切关注点——安全、可观测性、成本管理、容错——它们在当前实现中模块化不佳，是AI项目高比例无法到达生产环境的原因之一。RE 2004上提出的目标到方面（goals-to-aspects）方法论证明，可以通过识别横切功能性目标的非功能性软目标，从i*目标模型系统地发现方面。本文把该方法论重新审视并扩展到Agentic AI领域。我们提出一个由12个可复用模式组成的模式语言，按四个NFR类别（安全、可靠性、可观测性、成本管理）组织，每个模式使用面向Rust的AOP框架把i*目标模型映射到具体的方面实现。其中四个模式处理传统AOP文献中不存在的智能体特有横切关注点：工具范围沙箱、提示注入检测、token预算管理和动作审计追踪。我们扩展V-graph模型，以刻画智能体任务如何同时贡献于功能性目标与非功能性软目标。我们通过案例研究分析一个开源自主智能体框架来验证该模式语言，展示了目标驱动的方面发现如何系统地识别并模块化横切关注点。该模式语言为通过尽早识别横切关注点来工程化可靠Agentic AI系统提供了有原则的方法。