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。

该论文针对人工智能（AI）系统中因复杂性、快速演化及动态数据管道所引入的新型工程负债——AI技术债务（AITD）进行了系统性综述。研究基于AI信任、风险与安全管理（AI TRiSM）原则，将技术债务重新解释为与可信性相关的维度，聚焦于AI安全与安全技术债务。作者系统回顾了60篇主要研究，识别出31种不同类型的AITD，并构建了包含7个类别的根本原因分类法。分析进一步展示了这些债务如何映射到18个信任相关关注点，包括6个安全危害和12个安全漏洞。为支持缓解，论文综合了34条可操作指南（8条安全、26条安全），覆盖AI生命周期的预防、检测和减少策略。在此基础上，提出了AITD-MAP集成框架，将AITD分类、质量与风险影响及缓解策略统一为风险感知AI工程的结构化结构。该框架旨在帮助AI软件工程师使安全与安全技术债务可见，理解其根本原因并减轻其影响。论文主要贡献在于提供了全面的AITD分类法、可操作指南以及实用的集成框架，适用于AI系统开发者、安全工程师和研究人员。