Green SARC：智能体AI系统的预测成本和碳治理

智能体AI系统通过工具和子代理发挥作用，但旨在限制其财务和环境成本的控制措施仍然位于执行旁边或执行后评估的仪表板上。 Green SARC 将 SARC 架构治理框架（代理循环中的四个执行站点）应用于 FinOps 和 GreenOps，贡献了有关执行内容和如何预测执行内容的理论。我们报告了四项与政策无关的结果。 (i) 无约束的“状态雪球”的循环深度为 $θ(n^2)$；在 3,000 个真实的多步计划（SWE-rebench）上，它保持 100%，中值曲率 $\hat{c}_2=216$ 超过线性增长预测 $p/2=134$ ——真实计划比模型增长得更快。 (ii) 对于实际残差，Normal-$σ$ 门掩盖了（名义上 95% 时的 92%）；分裂保形校准成立 (95.2%)。 (iii) 根据预期预算调整的软拉格朗日惩罚在 91.5% 的种子上违反了预算；建筑门突破0%。 (iv) 在有约束力的预算下，合成和真实 (BurstGPT) 到达的登机口超预算发生率为 0%。端到端词元/美元/碳节省（47--55%）是真实的，但其幅度取决于政策——由范围上限旋钮设定，而不是由门拒绝设定。该库是开源的、无依赖性的，并为每个引用的数字提供了一个重新生成脚本。