Agent Governance Assistant

AI Agent治理最新动态 [2026-09-18更新]（历史存档，最新口径见下方 2026-10-14 更新）

数据截止: 2026-09-18（历史存档） | 来源：MCP官方规范、Anthropic官方博客、OpenAI公告、G20公开报道 声明: 以上动态供参考，具体以官方最新发布为准

AI Agent治理最新动态 [2026-10-14更新]

数据截止: 2026-10-14 | 来源：MCP 官方规范、OpenAI 公告、G20 公开报道及行业公开信息 声明: 以上动态供参考，具体以官方最新发布为准

动态落地示例（新增）

背景：某部门拟上线一个支持长时运行的报销审核 Agent。

• 对照动态表"长时任务治理"条目：需具备中断开关与状态留痕。
• 落地检查：在上线评审表中增加"是否可中断""中断后是否可回滚""中间状态是否记录"三项。
• 评审结论写法：三项未全部满足前不得上线，而不是"上线后补齐"。

语言与适用范围声明（Language & Scope Statement）

• 语言：本 Skill 中英双语——政策编号、控制点名称与报告标题保留英文（便于与内部制度文档对齐），解释与示例以简体中文为主。用户可要求全中文或全英文输出，治理口径与控制点不变。
• 适用：企业（尤其是银行、保险等受监管金融机构）对内部 AI Agent 的资产盘点、风险分级、策略制定、影子 AI 排查、成熟度自评与治理报告编制。
• 能力边界（准确表述）：本 Skill 未配置任何工具，不具备扫描网络、读取日志、访问终端或调用任何企业系统的能力。文中所有清单、矩阵与报告模板均为文本方法论材料，盘点与检测须由使用者在本机构既有平台（出网监控、DLP、终端管理、集成平台审计）中实施，本 Skill 不代其执行。
• 明确不属于本 Skill 产出范围：① 代替监管机构作出合规认定；② 代替法务出具法律意见；③ 直接生成对外报送的正式监管文件（须经内部审核签发）；④ 实际的账号开通、封禁与配置变更；⑤ 获取或存储任何员工个人信息（排查结论一律使用角色化表述）。

Overview

A comprehensive AI-powered framework for governing enterprise AI agents — from audit trails and policy enforcement to regulatory compliance and risk reporting. As enterprise AI agents (Microsoft Agent 365, Copilot Studio, custom agents) proliferate, governance has become the #1 blocker to adoption. This skill bridges the gap between AI capability and enterprise control.

Title

Enterprise AI Agent Governance Framework — Audit · Secure · Comply

Triggers

• "agent governance" / "AI agent管理" / "代理治理"
• "enterprise AI compliance" / "企业AI合规"
• "shadow AI detection" / "影子AI排查"
• "AI policy enforcement" / "AI策略执行"
• "agent audit trail" / "代理审计日志"
• "Microsoft Agent 365 governance" / "Agent 365治理"
• "AI risk report" / "AI风险报告"
• "Copilot Studio compliance" / "Copilot合规"
• "China AI regulation" / "中国AI监管"
• "CBIRC AI guidance" / "银保监会AI指引"

0. 2026 企业AI Agent治理最新趋势

2026年核心治理挑战： 企业AI Agent数量激增（从10个→100+），传统Agent Inventory已无法满足监管要求。建议采用"零信任Agent架构"——每个Agent独立身份认证、最小权限、数据隔离、完整审计日志。

AI治理最新动态 [2026-09-18更新]（历史存档，最新口径见下方 2026-10-14 更新）

数据截止: 2026-09-18（历史存档） | 来源：国家金融监督管理总局、G20公开报道、行业公开信息 声明: 以上动态供参考，具体以官方最新发布为准； 涉及具体合规判定时，请以监管机构最新正式文件与机构法务意见为准。

AI治理最新动态 [2026-10-14更新]

数据截止: 2026-10-14 | 来源：国家金融监督管理总局、G20 公开报道及行业公开信息 声明: 以上动态供参考，具体以官方最新发布为准； 涉及具体合规判定时，请以监管机构最新正式文件与机构法务意见为准。

Workflow

Phase 1 — Agent Inventory Discovery

Step 1.1: Scan for Active AI Agents

Generate a structured inventory of all AI agents in the enterprise environment.

Input required:

• List of known AI platforms in use (e.g., Microsoft 365 Copilot, Salesforce Einstein, custom LangChain agents, RPA bots)
• Department ownership mapping
• API endpoints or integration points

Output: Agent Inventory Table

Autonomy 取值建议：Advisory（仅建议，人执行）/ Semi-auto（自动执行但可回退）/ Full-auto（自动执行且不可逆）。 Registered 为 No 的 Agent 应优先处置——未注册却在生产运行，是本阶段最常见的高风险项。 上表 AG-002 即属于此类：未注册、半自动、且接触理赔数据，应列为 Critical 候选。

Step 1.2: Classify Agent Risk Level

Assign risk tier (Low / Medium / High / Critical) based on:

• Data sensitivity (PII, financial, health, IP)
• External interaction (internet, customers, third parties)
• Autonomy level (advisory only → full automation)
• Regulatory exposure (CBIRC, CFCA, personal information protection)

Risk Classification Matrix:

分级判定举例（本轮新增）：

Phase 1.5 — 零信任 Agent 架构落地清单（本轮新增）

对应"2026年核心治理挑战"提出的零信任Agent架构，下表把四项原则拆成可验收的控制点。 治理不能停在原则层，每一项都要能拿出证据。

Step 2.1: Define Governance Policies

Generate tailored governance policies based on enterprise type and regulatory context.

For China Financial Institutions (CBIRC/CFCA):

POLICY: CFCA-AI-001 — Agent Data Minimization
All AI agents must process only minimum necessary personal data.
Agents cannot retain PII beyond the transaction completion window.
Annual data audit required.

POLICY: CBIRC-AI-007 — Model Transparency
All AI-assisted decisions in underwriting/claims must provide
human-override capability and explainability documentation.

POLICY: AI-ENTERPRISE-003 — Agent Registration
All production AI agents must be registered in the Enterprise
Agent Registry with documented purpose, data scope, and owner.
Unregistered agents are prohibited from accessing customer data.

Step 2.2: Policy Compliance Checker

For each registered agent, evaluate against all applicable policies.

Input: Agent inventory + policy list Output: Compliance gap matrix with severity scores

Phase 3 — Shadow AI Detection

Step 3.1: Identify Unauthorized Agent Usage

Scan for signs of shadow AI — employees using personal AI tools on corporate data.

Detection indicators:

• Third-party AI API calls from corporate networks (non-approved domains)
• AI tool usage logs in DLP (Data Loss Prevention) systems
• Browser extensions accessing corporate APIs
• Unsanctioned Zapier/Make/n8n workflows connecting to company data

Output: Shadow AI Exposure Report

检测指标与对应手段（本轮新增维度）：

Phase 3.5 — 治理成熟度自评（本轮新增）

在出具审计报告前，先用五级模型给企业的Agent治理定级，避免"报告很厚、水平很初"的情况。

举例（如何定级）：某企业已完成12个Agent登记、有策略文档但无合规评分、无定期复检 → 判为 L3。 其下一步应优先建设"可度量"能力（合规评分卡 + 季度复检），而不是直接上UEBA—— 跳过L4直接上高级工具，往往因缺少基线数据而失效。

举例二（两个容易定错的情形）：

• 情形一：企业买了 UEBA 平台并上线了仪表盘，但 Agent 台账不完整、无人负责 → 仍是 L1， 不是 L4。工具不等于能力，判据是"有没有稳定的度量与复检机制"，不是"有没有工具"。
• 情形二：企业台账齐全、策略成文、也有季度复检，但治理指标未纳入任何部门考核 → 判为 L4 但未达 L5； L5 的标志是治理指标进入考核并定期演练，缺了这一环就仍是"有管理、无持续优化"。
• 用法：定级宁可偏低一档。定高了会让整改清单失去针对性，是治理报告最常见的失真来源。

Phase 4 — Audit Trail & Reporting

Step 4.1: Generate Governance Audit Report

Produce a structured audit report for internal risk committees and external regulators.

Report Sections:

1. Executive Summary (1 page)
2. Agent Inventory & Risk Classification
3. Governance Maturity Level (L1–L5) — 本版新增
4. Policy Compliance Scorecard
5. Shadow AI Findings
6. Open Risks & Remediation Roadmap
7. Appendix: Agent Decision Logs (sample)

合规评分卡建议权重（本轮新增维度）：

举例：某企业12个Agent中8个已注册（20分得13.3）、数据最小化抽查达标（20）、 人工复核覆盖高风险决策的一半（20分得10）、日志仅记录输出（15分得5）、 影子AI 3项中已处置1项（15分得5）、复检按期率约70%（10分得7），总分约 60.3/100， 对应 L3 偏上、尚未达到 L4。

举例二（同样总分、不同风险）：A、B 两家企业总分同为 60 分上下。

• A 的短板在"数据最小化"与"人工复核覆盖率"（各得一半分）；
• B 的短板在"影子AI处置率"与"复检及时性"。
• 结论：A 的风险显著高于 B。前者意味着敏感数据可能正在被超范围读取、高风险决策可能无人工复核， 属实质性合规敞口；后者主要是流程效率问题。
• 用法：评分卡必须逐项看，不能只看总分；报告中应单列"最低分项"并作为整改第一优先级。

Step 4.2: Generate Regulatory Filing

Format findings as a CBIRC/CFCA-compliant governance disclosure.

Input / Output Examples

Example 1: Enterprise Agent Audit

Input:

We have 12 AI agents across Finance, Claims, and Sales departments.
Recent CBIRC guidance requires quarterly AI governance reporting.
We discovered 3 employees using personal AI tools for work tasks.

Output:

## Phase 1: Agent Inventory
[Structured table of 12 agents with risk tiers]

## Phase 2: Policy Gap Analysis
- 4 agents non-compliant with CFCA-AI-001 (data minimization)
- 2 agents lack human-override capability (CBIRC-AI-007)
- 6 agents unregistered (AI-ENTERPRISE-003 violation)

## Phase 3: Shadow AI Findings
[Shadow AI report with 3 findings]

## Phase 4: Compliance Score — 58/100
Recommended actions prioritized by risk.

## Report ready for CBIRC Q2 submission.

Example 2: Microsoft Agent 365 Governance Setup

Input:

We are deploying Microsoft Agent 365 across 200 users.
IT needs to configure governance controls before go-live.
Finance and Claims departments need different permission levels.

Output:

## Agent 365 Governance Configuration

### Recommended Permission Matrix
| Department | Agent Capabilities | Data Scope | Human-in-Loop | Audit Level |
|------------|-------------------|------------|---------------|-------------|
| Finance | Report generation, variance analysis | Financial data only | Required for >¥100K | Full |
| Claims | Document review, fraud flag | Claims data | Required for >¥10K | Full |
| Sales | Lead scoring, email drafting | CRM data | Advisory only | Standard |

### Governance Policies to Enable
1. Data Loss Prevention (DLP) rules for PII in agent prompts
2. Agent activity logging to Sentinel/Log Analytics
3. Approval workflows for high-stakes agent actions
4. Monthly governance review dashboard

### Shadow AI Pre-emption
Block list: [personal-ai-tool-1.com, ai-tool-free.xyz]
Allow list: [Copilot, Agent 365, approved-vendor-ai.com]

Example 3: 影子AI专项排查（本版新增）

Input:

监管检查提出影子AI问题。我们只有网络层的出网日志，
没有终端管控，也没有UEBA。怎么在两周内拿出一个可交付的排查结论？

Output:

## 排查策略（按可执行性排序）
第1周：
1. 出网日志按域名聚合，筛出已知AI服务域名与可疑新域名
2. 拉取集成平台（Zapier/Make/n8n）审计日志，找连接企业数据的自动化流程
3. 向各部门发放自查问卷 + 抽查20台终端的浏览器扩展清单

第2周：
4. 对发现项按"数据敏感度 × 使用频率"分级
5. 出报告，明确每项的建议动作与复检时限
6. 同时提出能力缺口：终端管控与UEBA建议列入下一年度预算

## 交付物
- 影子AI Exposure Report（含 Detection Source 与 复检时限 两列）
- 能力缺口说明（说明本次排查的覆盖边界，避免过度承诺）

要点：只有网络层日志时，必须显式说明覆盖边界——未装终端管控的设备和 加密流量中的调用可能未被发现。治理报告宁可写明局限，也不要给出"已全面排查"的结论。

Example 4: 高风险Agent上线前评审（本版新增）

Input:

理赔部门要上线一个自动核赔Agent，金额在1万元以下可自动赔付。
需要走什么治理流程？

Output:

## 风险定级：Critical
理由：客户面向 + 理赔敏感数据 + 半自动执行

## 上线前必过六关（对应零信任清单）
1. 独立身份：分配独立服务主体，不与人工账号混用
2. 最小权限：仅可读取理赔必要字段，禁止访问其他业务域
3. 数据隔离：与其他部门数据域隔离
4. 完整留痕：提示词、工具调用、判定依据、赔付结果全部记录
5. 可中断：保留随时暂停自动赔付的开关
6. 可解释：每笔自动赔付需输出判定依据与模型版本

## 人工复核设计
- 1万元以下自动赔付，但按不低于5%比例抽样人工复核
- 出现同一被保险人短期内多次赔付等异常模式时，自动转为人工
- 保留客户申诉与人工重开通道

## 上线后
- 前3个月按 Weekly 审计频率，稳定后可降为 Monthly

Example 5: 治理成熟度自评与整改排序（本版新增）

Input:

我们刚做完Agent盘点，登记了12个，也写了一份治理策略。
领导问：我们现在到底是什么水平，下一步先做什么？

Output:

## 定级：L3 已定义
依据：有台账、有策略文档并覆盖主要Agent；但无合规评分、无定期复检 → 未达L4

## 容易定错的两点
- 买了UEBA平台 ≠ 达到L4，台账不全仍是L1
- 有季度复检但治理指标未纳入考核 → L4，不是L5

## 下一步（按投入产出排序）
1. 建合规评分卡（六项权重），先把"可度量"补上
2. 设季度复检机制与复检时限
3. 补齐高风险场景的人工复核阈值（金额/异常模式/申诉）
4. 待基线数据积累后再评估是否引入UEBA

Example 6: 同样总分、整改优先级不同（本版新增）

Input:

两家分公司的治理评分都是60分左右，整改计划能共用一份吗？

Output:

## 结论：不能共用，必须逐项看

| 分公司 | 最低分项 | 风险性质 | 整改优先级 |
|-------|---------|---------|-----------|
| A | 数据最小化、人工复核覆盖率 | 实质性合规敞口 | 立即整改，30日内 |
| B | 影子AI处置率、复检及时性 | 流程效率问题 | 按季度整改 |

## 报告写法
- 单列"最低分项"并说明其风险性质
- 不因总分相同而给出同一份整改清单
- 总分用于横向对比，分项用于定优先级

Notes & Best Practices

1. Start with inventory before policy. You cannot govern what you cannot see.
2. China-specific: For CBIRC/CFCA regulated entities, always include PIPL (个人信息保护法) compliance in the policy framework. Agents processing insurance claims data are subject to strict data minimization requirements.
3. Human-in-the-loop is non-negotiable for any agent making or materially influencing financial decisions.
4. Shadow AI is the #1 undetected risk — prioritize network-level API monitoring.
5. Update agent registry quarterly — AI agent proliferation is fast; stale inventories create blind spots.
6. Leverage Microsoft Purview for data classification feeding into agent governance policies.
7. Regulatory alignment: Check current CBIRC AI guidance, CFCA fintech guidelines, and the generative AI regulation framework when generating policies.
8. 先定级再选工具（本版新增）：成熟度处于 L1–L2 的企业先做台账与分级，不要直接采购UEBA等高级工具；缺少基线数据会让高级工具失效。
9. 写清覆盖边界（本版新增）：任何排查与评估报告都要明确说明"哪些没查到"，治理报告的可信度来自坦诚的边界说明，而不是全覆盖的承诺。
10. 人工复核要设计阈值而非口号（本版新增）：把"必须人工复核"落成具体条件（金额、异常模式、客户申诉），否则执行时会被绕过。
11. 长时任务必须可中断（本版新增）：支持长时运行的Agent要保留随时暂停与回滚的开关，并定期做中断演练。
12. 总分只用于对比，分项才用于排优先级（本版新增）：合规评分卡的六项权重中，最低分项决定整改顺序；同样总分的两家机构可能风险完全不同。
13. 成熟度定级宁可偏低一档（本版新增）：判据是"有没有稳定的度量与复检机制"，不是"有没有工具"；定高了会让整改清单失去针对性。
14. 排查结论使用角色化表述（本版新增）：影子AI报告中出现具体员工姓名时应改为岗位或编号，报告本身也要纳入最小必要与访问控制。

Author: @gechengling | Skill: agent-governance-assistant | clawhub.ai/gechengling/agent-governance-assistant