SARC-DQ：运行时数据质量门控——面向智能体AI的静默证据缺陷、能力屏障与下游修复

论文发现，在Agentic AI系统中，元数据携带的静默缺陷（如过时价格）即便格式正确，能力强的agent也会有约60%概率将其转化为错误行动，且模型能力提升并不带来怀疑力提升。提出的元数据感知预行动门控与下游修复机制能完全恢复被其谓词覆盖的信号损失。

过去普遍认为提升模型能力能减少错误，但该研究证明数据完整性是独立于模型能力的系统维度，静默缺陷无法被agent察觉，必须从系统层面而非模型层面进行门控。

元数据缺陷（如新鲜度、谱系）在数据载荷中完美，但agent无法看到这些元数据。论文设计了一种元数据感知的预行动门控，在agent行动前检查元数据，若发现缺陷则阻止并采用下游方式修复（如重新获取最新数据）。实验显示，该门控在其覆盖的谓词上完全恢复损失，未被覆盖的则无改善。

构建Agentic AI产品的团队需将数据质量门控作为系统架构核心组件，而不能仅依赖模型能力。否则即使使用高价模型，仍可能因数据缺陷产生约60%的错误行动，造成显著成本。

• 开发面向Agentic AI的元数据缺陷检测SaaS，自动识别陈旧或替换记录并在行动前报警。
• 设计预行动门控中间件，集成至LangChain等agent框架，对检索结果执行新鲜度校验。
• 在企业数据管道添加元数据新鲜度标签，供agent决策前的过滤逻辑使用。
• 建立针对Agentic AI的运行时数据质量基准测试工具，评估不同门控策略的修复率。

• 该门控机制在不同类型agent架构（如多步推理、工具调用）中的泛化效果如何？
• 下游修复在无法获取最新数据或数据源不可达时的回退策略是什么？
• 如何系统性地定义并覆盖所有可能的元数据缺陷类型（如谱系错误）？
• 门控带来的延迟增加是否会影响实时决策场景的可行性？