HANSARD：面向自主多智能体AI系统的取证就绪、运行时见证与分级归因参考架构

自主多智能体系统如今已在金融、软件供应链与安全运营中行动，首批主要由AI编排的入侵活动也已有报道。然而，当这样的系统造成损害时，尚无方法能稳健地确定发生了什么、成因是什么、谁应负责。这是因为溯源取证工作在错误的抽象层级上，形式因果学预先假定因果模型，而智能体审计则信任自我记录。因此，目标失效模式是归因漂洗（attribution laundering），即把一个行为分散到冗余的智能体之上，直到没有任何一个是“要因”（but-for cause）。更糟的是，记录由嫌疑人自己产生——这构成了贯穿本工作始终采纳的假设：智能体因此可能预判调查，而部分日志基础设施本身也可能共谋。本文提出HANSARD，一个把问责当作全生命周期属性的参考架构。第一，在运行前封存的取证就绪档案（readiness profile）界定了事后结论所能主张的范围。第二，在智能体触达不到的五个咽喉点进行捕获，使遗漏（而不仅是篡改）可被检测。第三，一个与PROV-DM对齐的类型化因果图随系统运行而累积，三个指标实时读取它以门控监督而不做裁决。第四，事后重放依据改进的Halpern-Pearl定义给出条件性效应，并给出补偿集大小。最后，一个协同残差度量源于组合而非个体的损害，使漂洗可见。随后，原因、责任与问责被分别报告，各受证据等级上限约束，并同时给出未来研究议程。