该论文关注自主渗透测试编排框架（autonomous penetration-testing harness）中的决策可靠性问题。当前这类框架普遍使用大语言模型（LLM）完成侦察、利用与报告生成，但同时也让同一个 LLM 去确认漏洞发现是否属实、评定严重性等级、以及挑选下一步调用哪个子代理。作者指出，这种「生成模型自证自评」的做法会带来三类系统性风险：误报（不存在的漏洞被判定为存在）、严重性虚高（CVSS 或内部评级被夸大）、以及算力浪费（在无效路径上反复迭代或触发多余的确认循环）。 为此，论文提出引入 System One 决策模型（轻量、非生成式的分类器，输出带类型且经过校准的判定结果）作为决策层，与负责生成内容的 LLM 分工。作者给出五点贡献：第一，明确四个关键决策点——发现项裁定（finding adjudication）、严重性重校准（severity recalibration）、代理剪枝（agent pruning）、确认循环（confirmation loops）。第二，一个探索性 NeuroSploit 案例研究：对一个包含 13 个漏洞的 Web 目标分别运行「带 TypeSafe System One（Jev）」与「不带」两种配置，比较严重性分布、运行时间以及按暴露数据类型划分的评分差异；作者明确说明这些差异用于论证架构合理性，但尚未达到统计显著性。第三，梳理 Jev、Jev-Ultrafast 与开源 Laya 的公开规格，并强调不能假定其他基准测试上的结论可直接迁移到渗透测试场景。第四，讨论 RLHF、RLAIF、RLCD、RLHV 等训练范式，及其对安全决策可信度的影响。第五，提出领域自适应的 System One 模型 Rave，并给出其训练数据、评估协议与对编排框架保障能力的潜在作用。 适合阅读人群：LLM 代理安全、自动化渗透测试工具研发、以及关心 AI 输出校准与可信度的安全工程师与研究者。

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。