Structured Authority Injection 通过类型化 MCP 覆盖实现 LLM Agent 的持久人类控制

该论文提出 Structured Authority Injection (SAI) 协议，旨在解决 LLM Agent 在分布式系统中缺乏跨规划周期持久性人类控制指令的问题。现有自由文本覆盖因缺乏模式验证导致解释歧义，且随着上下文累积出现权威衰减。SAI 通过将操作员修正路由至经过类型和模式验证的 Model Context Protocol (MCP) 工具调用，并在每个 LLM 提示前附加排名权威上下文来维持控制权。

SAI 定义了三种具有不同持久性语义的覆盖类别：Constraint（约束）、Priority（优先级）和 Strategy（策略），并通过不可被规划过程访问的定向权威通道强制执行明确的优先顺序。该方法无需微调模型或访问模型权重，适用于支持 MCP 工具使用的指令微调 LLM。在针对九种 LLM 和八个场景的评估中，SAI 减少了模糊指令的解释并缓解了规划迭代中的权威衰减，最强模型在提示开销上降低了最多 38%，但效果在不同模型间差异显著。

事实层面，SAI 是一种不依赖模型权重的协议设计，利用 MCP 机制实现结构化指令注入；推断层面，该方案可能成为构建高可靠性 Agent 系统的通用设计模式，特别是需要明确持久人类控制的场景；猜测层面，由于效果随模型而异，其实际部署价值高度依赖于具体模型对 MCP 工具调用的原生支持程度及上下文窗口大小。