您的代理正在做决策。您能证明它们遵循了政策吗？
大多数团队在发布 AI 代理时，护栏分散在提示词、允许列表、正则过滤器和事后规则检查之中。当审计人员问起“这个代理执行该操作时遵循的是哪项政策？”，得到的答案很少令人满意。
政策存放在 PDF、SharePoint 文件夹和 Notion 页面里。护栏写在代码里。审批流程要么在 Jira 里，要么根本不存在。审计记录分散在十几个 LLM 提供商的仪表板中。没有唯一可信的政策来源，更没有一个代理能够读取的来源。
文本形式的政策远远不够。您需要数据形式的政策。
让政策可执行的六项能力
每一项现已上线，并有具体的产品功能作为支撑。尚未上线的内容在下方单独列出，没有任何隐藏的缺口。
以声明为基础的机器可读政策
每条治理声明都包含模态、执行模式和适用对象：人员、代理或两者。政策从设计上就是可执行的，而不是需要解读的指导意见。
已上线：声明表中的 enforcementMode + actorApplicability 列
每项政策都附带代理指引
每条声明都有结构化的代理元数据：allowedActions、prohibitedActions、requiredContext、requiredApprovals、evidenceRequirements、escalationRules、failureMode，全部可查询。
已上线：贯穿声明架构的 agent_guidance JSONB 列
已上线的 MCP 治理服务器
外部 AI 代理（Claude Code、Cursor、ChatGPT、Claude 网页版）通过 Model Context Protocol 连接到您的政策库。六个工具、双传输方式、读写权限分离。
已上线：/api/mcp（HTTP）+ stdio 传输，6 个工具可用
完整的代理审计跟踪
每一次 AI 和代理交互都会记录提示词、响应、工具调用、令牌消耗、延迟和错误。Scale 及以上版本可导出。从第一天起即满足合规要求。
已上线：ai_audit_logs 表，25 列，4 个索引
AI 上下文层
六个依据模块（声明、法规、租户、用户、领域、术语表）让代理的推理立足于您真实的政策库，而不是通用的预训练知识。
已上线：lib/ai/context/ 下的 6 个上下文提供程序
内容库 + 采用模型
57 部法规、600 多项预先提取的要求、1,300 多个带类型的术语。代理引用经过整理的内容库；与已采用声明之间的偏差会被自动跟踪。
已上线：内容库声明的采用 + 偏差跟踪
我们坦诚说明尚待推出的内容
这些能力的底层数据架构或基础组件已在产品中；面向用户的界面正在开发。我们宁愿在上线时告诉您，也不愿假装它已经上线。
代理 SOP 运行时执行
Q3 2026流程已经支持步骤、条件、RACI、子流程和证据。下一步是执行引擎（由人员或代理驱动），并为每个步骤提供状态机。
代理审批工作流界面
Q3 2026声明已经可以声明 requiredApprovals。下一步是让代理发起审批请求、让人员在流程中直接批准的界面。
可用于审计的证据仪表板
Q4 2026所有基础组件（审计日志、证明、证据链接）均已存在。下一步是面向合规的仪表板，将它们汇总为证据包。
连接任何支持 MCP 的代理
通过 stdio 和 Streamable HTTP 提供六个治理工具。使用限定范围的 API 密钥进行 Bearer 身份验证。适用于 Claude Code、Cursor、ChatGPT、Claude 网页版，以及任何支持 MCP 的自定义客户端。
Claude Code（stdio）
本地开发：AI 可以直接查询您租户的政策。
{
"dictiva": {
"command": "npx",
"args": ["@dictiva/mcp-server"],
"env": { "DICTIVA_API_KEY": "dv_live_..." }
}
}Cursor / 远程 Claude Code（HTTP）
远程 MCP：相同的工具，通过 Streamable HTTP 访问。
{
"mcpServers": {
"dictiva": {
"url": appUrl("/api/mcp"),
"headers": { "Authorization": "Bearer dv_live_..." }
}
}
}ChatGPT / Claude 网页版（远程 MCP）
将 URL 和 Bearer 令牌粘贴到 MCP 连接器设置中。
URL: https://dictiva.com/api/mcp
Auth: Bearer dv_live_...
Scopes: statement:read, glossary:read, assembly:readAI 可观测性与 AI 代理治理的对比
可观测性是在事后查看代理做了什么。治理则把代理被允许做的事变成可寻址、可查询、有版本管理的资源。
| 维度 | AI 可观测性工具 | Dictiva |
|---|---|---|
| 政策的基本单元 | 模型输出 / 跟踪 | 声明（模态、适用对象、执行方式） |
| 政策存放位置 | 您的提示词 | 有版本管理的政策库（内容库 + 租户） |
| 代理的知情方式 | 事后日志 | 行动前通过 MCP 查询 |
| 执行 | 对输出进行事后规则检查 | 行动前的政策查询 + 审批流程 |
| 审计跟踪 | 模型跟踪和用量 | 提示词 + 工具 + 结果 + 政策版本 |
| 适用对象 | 不作区分 | 按声明区分人员 / 代理 / 两者 |
| 法规映射 | 手动 | 每条声明映射到 57 部法规 |
为部署代理的团队打造
如果以下任何痛点让您感同身受，本页其余内容正是为您准备的。
AI 产品负责人
痛点： 发布的代理护栏分散在提示词、过滤器和事后检查之中
使用 Dictiva： 所有代理查询同一个政策库，具备机器可读的执行方式和完整的审计跟踪
CISO 与安全负责人
痛点： 无法证明自治系统在决策时实际遵循了哪些政策
使用 Dictiva： 按操作记录的审计跟踪，关联到具体的声明版本，经得起审计和调查
合规与法务
痛点： 欧盟《人工智能法案》、科罗拉多州 AI 法案、OWASP 代理应用十大风险：有义务却缺少工具
使用 Dictiva： 政策映射到监管义务；代理可查询任一适用对象场景下适用的规定
平台工程师
痛点： 每个代理团队都在自行构建一套不完善的政策查询
使用 Dictiva： 开箱即用的 MCP 服务器，内置 6 个治理工具、身份验证、速率限制和按套餐的权限控制
常见问题
什么是 AI 代理治理？+
AI 代理治理是指把政策、流程和审计跟踪应用于代表您采取行动的 AI 系统，而不仅仅是给它们下指令的人员。它涵盖代理可以做什么、必须上报什么、必须收集哪些证据，以及每项操作如何记录。OWASP 于 2025 年 12 月发布了代理应用十大风险；欧盟《人工智能法案》的高风险义务自 2026 年 8 月起生效；科罗拉多州 AI 法案自 2026 年 6 月起生效。这一领域正在形成。
它与 AI 可观测性工具（Fiddler、Arthur、Credo AI）有何不同？+
可观测性工具在事后查看模型输出和跟踪。Dictiva 把政策作为基本单元：每条治理声明都包含执行模式和适用对象，代理在行动前通过 MCP 服务器查询该政策库。您依然能获得完整的审计跟踪，但它关联的是具体的政策声明版本，而不仅仅是模型遥测数据。
什么是 MCP 服务器？哪些客户端可以连接？+
Model Context Protocol（MCP）服务器通过两种传输方式提供 6 个治理工具：stdio（用于本地 Claude Code / Cursor）和 Streamable HTTP（用于 ChatGPT、Claude 网页版和远程 Cursor）。工具包括 search_statements、get_statement_guidance、list_applicable_policies_for_actor、search_glossary、get_assembly_bundle 和 export_ontology。MCP 访问仅限 Business 和 Enterprise 套餐。
Dictiva 能取代传统 GRC 平台吗？+
目前不能，这也不是我们的目标。Dictiva 是治理中的政策与流程层，专为让人员和 AI 代理基于同一政策库阅读、遵循并接受审计而优化。风险登记、控制测试和审计证据仪表板已列入 2026 年路线图。对于已上线的部分，Dictiva 比完整的 GRC 套件更实用；对于尚未上线的部分，我们会在本页明确说明。
Dictiva 声明的机器可读体现在哪里？+
每条声明都有代理可以据以推理的结构化字段：模态（must、should、may）、执行模式（informational、human_review_required、machine_readable、machine_enforceable）、适用对象（human、agent、both），以及包含 allowedActions、prohibitedActions、requiredApprovals、evidenceRequirements、escalationRules 和 failureMode 的 agent_guidance JSONB。代理无需解析 30 页的 PDF，只需查询结构化的政策。
代理高频使用时如何计费？+
目前：按席位订阅，各套餐附带 AI 积分。2026 年第三季度：采用混合用量模式，以“治理操作”为计量单位，不同类别的操作（政策查询、政策检查、深度法规审计）扣减的额度不同。内部利润率目标为综合令牌成本的 ≥5 倍；客户看到的是操作次数，而不是令牌数。不会因模型输出冗长而出现账单意外。