DNative-Twin：用图数字孪生记录并回放AI代理决策，补上工具状态盲区
新框架将代理决策记录成带类型的轨迹，通过重放和验证找出未观测工具状态导致的分歧；在300个注入实例的实验中，分歧召回率从0升至1.0。
AI解读：AI代理做决策时可能参考多种证据、调用工具、受规则约束，但最终只输出一个结果，外人无法看出这个结果由哪些证据、工具状态或权限路径产生。DNative-Twin把一次决策记录成带类型的轨迹，用图结构把代理观察到的状态、走过的路径和最终行动的授权来源连起来，然后可以在隔离环境中重放这个决策机制，并在受控条件下比较不同版本。实验揭示了一个具体盲区：图结构只能定位哪些表示发生了变化，无法判断某个未观测到的工具状态会带来什么后果。在300个注入实例的三条件对照实验中，仅靠图结构时无法分辨分歧；加入重放合约状态后召回率从0升到0.667，再加上验证结果后达到1.0。也就是说，要让审查者看出决策机制是否在新输入下偏离预期，必须同时提供重放上下文和验证证据，缺一不可。这个框架目前针对企业决策流程，已在三个公开流程日志和受控重放套件上测试，但代价是处理时间增加：在BPI 2020数据集上，处理500到5000个案例的中位端到端时间从0.794秒升至8.889秒。对需要审计AI决策的企业或监管方来说，这项技术提供了一种比只看最终输出更可靠的核查办法，但部署前需要权衡时间成本，尤其是大规模场景。
arXiv:2609.03787v1发布了一项名为DNative-Twin的研究（作者：Junjie Pang、Zhenzhen Xie、Haoke Han、Ying He、Jing Wang、Gang Liu），提出一种图原生数字孪生框架，用于记录AI代理已提交的决策，并在声明条件下重新执行其决策机制。该框架将代理观察到的状态、遵循的路径、以及导致最终行动的授权来源，关联在一个图中，并同步信息、在隔离环境中重放机制、在受控变更下进行对比。
研究的核心动机是：代理最终输出本身无法说明它由哪些证据、工具状态、规则、授权或行动路径产生。实验发现，图结构能够定位已表示的变化，但无法确定未观测工具状态带来的后果。在300个注入实例的三条件对照实验中，未解决分歧的召回率从0（仅图结构）提升至0.667（加入重放合约状态），再提升至1.0（同时提供验证结果）；保留集合中未包含关键类实例。
框架已在企业决策流程中实例化，使用三个公开流程日志和受控重放套件。在BPI 2020数据集上，处理500至5,000个案例时，中位端到端时间从0.794秒增加至8.889秒（基于论文报告的平台）。