该论文针对大型语言模型（LLM）在医疗、司法、金融和公共服务等高风险领域应用中出现的责任归属问题，提出了一种分层责任架构框架（LAAF）。研究背景是：LLM 在这些场景中即使输出缺乏依据或内容错误，也常被当作权威信息，一旦造成损害，难以明确谁应负责以及通过何种机制进行追溯、解释和处置。作者遵循 PRISMA 指南，检索了 2022 年 1 月至 2026 年 3 月间的五个数据库，围绕四个综述问题，从 4512 篇记录中筛选出 122 项主要研究，并纳入 12 份监管与标准文件作为一手资料进行分析。综述将责任概念整合为一种社会技术视角下的“行为者-论坛”关系，分解为五个维度，并从四类机制（技术控制、人类监督、组织治理、文档与可追溯性）中综合出具体做法，同时评估了各类机制的成熟度。作者提出了一个四层分类模型，涵盖来源/出处、应用逻辑、人类监督、治理与救济，并与可追溯性、角色清晰度和持续监控等横切维度相结合。该模型被映射到欧盟《人工智能法案》（高风险义务自 2026 年 8 月 2 日起适用）、NIST AI RMF 及其生成式 AI 配置文件、ISO/IEC 42001 以及医疗、消费金融、教育和公共部门的行业指南上。分析揭示了四个持续存在的差距：人类监督的规范不足、缺乏共享的责任度量指标、学科之间脱节、实证评估有限；同时指出了五个测量工具均未解决的结构性张力。最后，作者将分类模型整合为 LAAF 框架，并将网络安全维度与 OWASP LLM Top 10（2025）对齐。论文明确指出 LAAF 是对现有证据的综合而非经过验证的工件。适合关注 AI 治理、负责任 AI、LLM 安全性和监管合规的研究者、政策制定者及安全架构师阅读。