本文针对智能体AI（Agentic AI）系统的技术债务问题，首次系统性地提出了“智能体技术债务”（Agentic Technical Debt, AgTD）这一概念。传统AI技术债务（AITD）的研究主要基于静态的、组件级的软件架构，无法捕捉智能体AI系统所特有的自主推理、多智能体协作、工具编排、自适应决策和持久记忆等动态行为所引发的债务。作者基于先前对31种AITD的系统范围综述，采用理论驱动的转换方法论，通过直接转换、情境转换和表现扩展三种方式，重新诠释了这些债务在智能体环境中的表现形式。该研究建立了首个从传统AITD到智能体化表现的系统映射，揭示了传统债务如何演变为系统级负债，包括记忆不一致、编排脆弱性、级联故障和不安全的自主决策等。研究发现，技术债务已超越软件工件本身，扩展到智能体行为、协调机制以及智能体、工具和执行环境之间的交互。文章进一步探讨了AgTD对AI信任、风险与安全管理（AI TRiSM）的影响，强调了对可信度、治理、安全性、运营韧性和可持续性技术债务的冲击。总体而言，这项工作确立了AgTD作为软件工程的基础性概念，并提供了转换框架、分类法和研究议程，以支持自主多智能体AI系统中的技术债务管理。

该论文提出了一个面向代理式AI（Agentic AI）部署的AI原生保险数学框架，用于承保、定价和合同设计。代理式AI系统因其自主决策、工具调用、环境修改及第三方交互能力，引入了传统保险无法覆盖的新型风险。作者将AI部署表示为包含自主性级别、操作权限、权限暴露、治理成熟度及依赖集中度等维度的风险状态。框架将风险状态映射到事件概率、损失严重性、治理成本、保费、免赔额、覆盖分配及保单约定，并构建了一个在参与约束、盈利约束和激励相容约束下的保险合同优化问题。论文建立了可保性的结构性特征，包括可保性区域的刻画、暴露增加时可行性的单调恶化以及治理认证阈值。保险被解释为AI部署的运营成本与监管机制。通过一个医疗案例研究，展示了合同优化、敏感性分析及代理式AI系统的自动化理赔处理。适合保险精算师、AI治理专家及安全风险管理从业者阅读。

该论文是一篇关于将代理式人工智能（Agentic AI）和生成式人工智能（Generative AI）应用于开源情报（OSINT）和网络调查的综合性综述。随着公开数字信息的爆炸式增长，传统的人工OSINT分析已无法满足现代情报和网络安全的需求。大型语言模型（LLM）和具备工具使用、多步推理及迭代情报生成能力的代理式AI系统成为有前景的解决方案，但现有的评估框架未能跟上其能力的发展。论文系统性地回顾了74项研究，做出了四项主要贡献：第一，将代理式AI确立为独立于LLM提示扩展的分析类别，并通过包含11个类别的分类法组织文献，涵盖LLM基础、代理架构、检索增强生成（RAG）、知识图谱、提示工程、领域适应、评估基准和风险等。第二，识别出“幻觉-验证差距”作为语料层面的发现：尽管超过20项研究将幻觉视为主要可靠性问题，但仅有一项OSINT专用RAG系统在不可复现条件下进行了端到端幻觉的实证测量，而相关的推理和事实校正研究评估的是通用领域问答而非OSINT。第三，将现有研究映射到OSINT生命周期，发现对收集和分析阶段的支持较强，但对验证、报告、分发和决策支持阶段的覆盖有限。第四，推导出包含十个要点研究议程，涉及评估、基准测试、幻觉测量、对抗鲁棒性、暗网覆盖、多模态智能和治理。论文得出结论：人机共驾模式（LLM辅助收集和分类，分析师负责验证和决策）是最可行的近期部署架构。适合安全分析师、OSINT从业者及AI安全研究者阅读。

该论文探讨了代理人工智能（Agentic AI）如何解决网络安全中长期存在的挑战。当前安全防御面临成本高昂、人工密集型任务成为瓶颈等问题，许多防御措施因效率低下而难以实施。代理AI通过直接接收和推理自然语言或代码的能力，有望自动化这些任务，从而扩大可行防御的范围。论文首先系统性地将开放的安全问题映射到新兴的代理AI能力上，随后通过16个案例研究（涵盖供应链分析、漏洞管理、事件响应等场景）具体展示了代理AI如何协助防御者。每个案例分析了传统方法的局限性、代理AI的潜在优势以及实现路径。研究贡献包括：提出了一个将安全挑战与AI能力对齐的框架；通过案例研究验证了代理AI的实用价值；指出了当前代理AI在可靠性、可解释性和安全性方面的局限性。适合安全研究人员、AI开发者和安全运营团队阅读，以了解AI agent在防御中的前沿应用。