本文针对远程模型上下文协议（MCP）服务中，大型语言模型（LLM）智能体调用外部工具时的信任缺口问题展开研究。传统上，服务依赖 OAuth 授权来允许智能体调用工具，但 OAuth 仅完成身份与授权层面验证，无法保证后续工具调用确实由依赖方原本预期的提供端工作负载执行。作者称之为“后授权执行信任缺口”（post-authorization execution trust gap）：例如，授权端点可能被重定向到替换后的工作负载、依赖已过时的评估状态、复用来自其他发送者转移的权限，或历经未声明的下游组件。为弥补这一缺口，论文提出 ACLE-MCP 架构，一种按调用（invocation）为范围的安全设计，将委托授权、工作负载评估和资源端执行准入三者耦合。对于受保护调用，ACLE-MCP 签发短时、发送者约束的能力租约，该租约绑定预期的执行工作负载、新鲜度要求、操作类型、对象与参数边界、下游约束以及接收义务。工作负载执行前，提供者端的“执行门”（Execution Gate）会立即验证并消费该租约。作者实现了一套可运行原型，集成 Keycloak/OIDC 验证、MCP Python SDK 服务器，以及可选的 vTPM 远程证明后端。受控安全实验与智能体工具使用扩展表明：在仅使用较弱授权或仅在连接时进行认证的模式下，多种后授权攻击仍可奏效；而完整的 ACLE-MCP 能够阻断所有评估的攻击家族，同时不干扰良性任务。在本地模拟的智能体扩展中，完整设计相比仅 OAuth 方案，在允许的正常调用上请求级聚合 p95 延迟仅增加 25.7%。实验证明，将调用权威与当前工作负载状态进行执行时刻绑定，是对 OAuth 保护的远程工具调用的实用补充。