The Agentic Automation Canvas: a structured framework for agentic AI project design

以下是基于论文《The Agentic Automation Canvas: a structured framework for agentic AI project design》（代理自动化画布：代理 AI 项目设计的结构化框架）的详细技术总结：

1. 研究背景与问题 (Problem)

随着代理 AI（Agentic AI，即能够自主规划、推理并执行多步任务的软件代理）在科学、临床及机构领域的快速部署，现有的项目管理和治理方法面临严峻挑战：

• 缺乏结构化设计方法：代理 AI 项目通常以“临时性”（ad hoc）方式构思和评估，缺乏标准化的规划流程。
• 期望与现实的差距：用户期望与技术可行性之间往往缺乏清晰的平衡，导致项目实际效果远低于预期（Expectation–Realisation Gap）。
• 现有文档工具的局限性：现有的 AI 文档实践（如模型卡片 Model Cards、数据卡片 Datasheets、NIST AI RMF 等）存在以下不足：
  • 滞后性：多为事后回顾（Retrospective），无法在项目设计阶段指导决策。
  • 缺乏机器可读性：难以实现互操作性，无法直接集成到数据管理基础设施中。
  • 治理缺失：缺乏明确的治理结构和利益相关者之间的协商机制。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了代理自动化画布（Agentic Automation Canvas, AAC）。这是一个结构化的框架，旨在促进代理系统的设计、治理和文档化。

核心架构：六大维度

AAC 将代理自动化项目分解为六个相互关联的维度，作为用户与开发者之间的“双向契约”：

1. 项目定义与范围 (Project Definition & Scope)：包含核心元数据、目标、开发阶段、领域分类及价值总结。
2. 用户期望 (User Expectations)：将需求结构化，并量化五个维度的收益指标：时间节省、质量提升、风险降低、新能力启用、成本效率。特别强调将“人工监督成本”纳入计算，以得出净收益。
3. 开发者可行性评估 (Developer Feasibility)：评估技术现实，包括技术就绪水平（TRL）、模型选择（开源/前沿/微调等）、架构（如 RAG、微调、代理框架）以及针对具体任务的风险评估。
4. 治理阶段 (Governance Staging)：定义生命周期阶段、决策代理人、里程碑（KPI）、合规标准及政策卡片（Policy Cards）的链接。
5. 数据访问与敏感性 (Data Access & Sensitivity)：记录数据集元数据、访问权限、敏感性级别、DUO（数据使用限制）术语等。
6. 成果 (Outcomes)：跟踪交付物、出版物及评估结果，用于对比预期与实际收益。

技术实现与标准

• 隐私优先的客户端应用：AAC 实现为一个完全在浏览器端运行的 Web 应用（Vue.js 3 + TypeScript），无服务器端处理，确保敏感数据（如临床工作流、专有管道）不会离开用户机器。
• 语义网兼容的元数据模式：
  • 基于 JSON Schema 定义数据结构。
  • 导出格式为 RO-Crate (Research Object Crate)，这是一种符合 FAIR 原则（可发现、可访问、可互操作、可重用）的打包格式。
  • 本体映射：将画布数据映射到现有标准，包括 Schema.org（项目/人员）、W3C DCAT（数据集目录）、W3C PROV-O（溯源）、P-Plan（计划）、FRAPO（资助）和 DUO（数据使用限制）。
• 版本控制：画布支持语义版本控制，允许跟踪设计随时间的演变，并与实际代码库同步。

3. 关键贡献 (Key Contributions)

1. 首创代理 AI 的“前瞻性”设计框架：不同于事后的模型卡片，AAC 专注于开发前的规划阶段，强制在资源投入前对齐用户期望与技术可行性。
2. 机器可读的“项目契约”：通过 RO-Crate 导出，将非结构化的项目讨论转化为机器可处理的元数据。导出的包中包含 AGENTS.md 文件，可直接被代码助手（Copilots）或 LLM 开发代理读取，用于指导实施。
3. 量化的收益与风险评估模型：
   • 建立了包含五种收益类型的结构化语言。
   • 引入了与收益维度平行的六类风险评估（技术、数据、合规、运营、伦理、采用），支持对“上行潜力”和“下行风险”的平衡视图。
4. 全生命周期治理闭环：提出了从 AAC（规划意图）到 Policy Card（部署规范） 的映射机制。AAC 定义“做什么”，Policy Card 定义“运行时约束”（允许/拒绝/升级规则），两者共同覆盖从设计到审计的完整生命周期。
5. 开源工具与生态：提供了开源的 Web 应用、JSON Schema 定义及 W3ID 命名空间，支持命令行工具和 API 集成。

4. 结果与应用案例 (Results & Use Cases)

• 多领域应用：该框架已应用于单细胞生物信息学、临床研究助手、药物靶点数据库、患者聊天机器人及机构 AI 协调等多个项目。
• 具体案例（Open Targets 平台）：
  • 场景：为药物发现专家提供自然语言查询接口。
  • 应用：通过 AAC 量化了“洞察时间缩短”和“非计算研究人员可访问性”的收益；评估了基于自定义 MCP 服务器和知识图谱的 RAG 技术可行性（识别出涉及专有数据的中等高风险）；定义了从内部测试到公开部署的治理阶段。
  • 对比：若无 AAC，这些关键考量将分散在零散的文档和幻灯片中，难以追踪和复用。
• 输出能力：生成的 RO-Crate 包可作为独立数字对象，支持在研究数据仓库中公开共享或在机构内部严格保密，实现了灵活的数据主权控制。

5. 意义与影响 (Significance)

• 填补治理空白：AAC 填补了现有 AI 文档工具在“前瞻性规划”和“机器可读规范”方面的空白，为代理 AI 的负责任部署提供了基础设施。
• 促进透明与问责：通过强制用户和开发者共同填写画布，早期暴露认知偏差，建立透明的沟通机制，减少项目失败率。
• 推动 AI 工程化：将代理 AI 的开发从“黑盒实验”转变为可量化、可审计、可复用的工程实践。通过标准化的元数据，促进了跨项目的经验积累和最佳实践的社区发展。
• 连接设计与运行：提出的 AAC 到 Policy Card 的映射工作流，为构建从设计意图到运行时强制执行的连续治理链条奠定了基础，对于应对日益严格的 AI 法规（如欧盟 AI 法案）具有重要意义。

综上所述，Agentic Automation Canvas (AAC) 不仅是一个文档工具，更是一套将代理 AI 项目从概念设计到部署运行进行标准化、机器化治理的完整方法论和基础设施。