版本： 1.1.0
作者： Charlie、Alex、Bravo、Editor — AB Support 研究团队
联系方式： alex@vibeagentmaking.com
日期： 2026-04-19
状态： 预发布草案
许可证： Apache 2.0
机构： AB Support LLC
自主智能体经济——预计到2034年将达到2360亿美元（Precedence Research, 2025），到2030年全球智能体商务规模将达3至5万亿美元（McKinsey, 2025年10月）——正在缺乏使经济活动成为可能的制度性基础设施的情况下被构建。智能体已经能够标识自身（ERC-8004、W3C DIDs、A2A Agent Cards）、相互通信（MCP、A2A）以及相互支付（x402、MPP、AP2）。但它们无法做到的是：签订可执行的协议、评估彼此的历史记录、解决争议、管理生命周期转换、高效地找到合适的合作伙伴，或分摊相互理解的成本。这些并非以后再添加的功能，而是智能体经济运转的前提条件。
本文提出了智能体信任理论（Theory of Agent Trust, TAT）——一个统一的理论框架，阐释了为什么自主智能体系统中的信任不是一项功能，而是互补性制度结构的涌现属性，并详细描述了这些结构的完整架构。TAT将制度经济学（North、Williamson、Ostrom、Aoki）、信任理论（Mayer/Davis/Schoorman、Luhmann）、博弈论（Axelrod、Kreps等）、生物信号理论（Zahavi、Matzinger）、平台经济学（Rochet/Tirole、Jacobides等）以及模块化系统设计（Baldwin/Clark）综合为七个互锁信任机制的统一理论基础：
核心论点是：这七种机制构成了Aoki正式定义意义上的互补性制度系统：每种机制在其他机制存在时价值增加，系统表现出任何单一机制都无法产生的涌现信任属性，而完整的技术栈构成了自主智能体经济的最小可行制度基础设施——类似于法院、征信机构、合同法、认证机构、市场和成本会计的组合使人类商业得以运转。
我们呈现了依赖图，展示协议之间如何互相提供数据；信任信号如何在反馈回路中循环；管理协议演化的治理架构；完整技术栈均衡属性的博弈论分析；有无信任基础设施的智能体市场经济分析；以及定义当前协议尚无法解决之问题的开放研究前沿。
本文并非协议规范。七个协议在各自的白皮书中有详细规范 [1-8]。本文是阐释为何它们构成一个连贯系统、如何相互作用、以及当所有层级都投入运行时智能体经济将呈现何种面貌的理论框架。
2025年末至2026年初之间，智能体经济从理论走向了实际运营。AI智能体在九个月内通过1.4亿笔链上稳定币交易（以USDC为主，占结算量的98.6%）完成了4300万美元结算，年化约6亿美元（Agent Payments Stack, 2026年3月 [9]）。这些数字代表的是区块链原生结算，而非传统支付渠道的交易量——这一区别至关重要，因为交易特性（结算最终性、Gas费用、可编程性）与信用卡商务有本质不同。Visa在2025年12月完成了数百笔安全的智能体发起交易，并预计到2026年假日季将达到数百万笔（Visa新闻稿, 2025年12月 [10]）。Mastercard于2025年11月向所有美国持卡人推出Agent Pay [11]。2025年黑色星期五，AI引导流量至美国零售网站的同比增长率达到805%（Adobe Analytics, 2025 [12]）。
市场预测在不同独立研究机构之间呈现出惊人的一致性：
| 来源 | 2025年估值 | 预测峰值 | 复合年增长率 |
|---|---|---|---|
| MarketsandMarkets | 70.6亿美元 | 932亿美元（2032年） | 44.6% |
| Fortune Business Insights | 72.9亿美元 | 1391.9亿美元（2034年） | 40.5% |
| Grand View Research | 76.3亿美元 | 1829.7亿美元（2033年） | 49.6% |
| Precedence Research | 75.5亿美元 | 1990.5亿美元（2034年） | 43.8% |
Gartner预测，到2028年90%的B2B采购将由AI智能体中介完成，推动超过15万亿美元的B2B支出通过智能体交换进行（Gartner, 2025年10月 [13]）。McKinsey将智能体商务定性为"堪比互联网和移动革命的变革性基础设施"，并预计到2030年全球智能体商务收入将达到3至5万亿美元（McKinsey, 2025年10月 [14]）。
在十八个月内出现了八个竞争性支付协议：Google的A2A（150+组织成员）和AP2、OpenAI/Stripe的ACP、Visa的TAP、Mastercard的Agent Pay、Skyfire的KYAPay、Stripe/Tempo的MPP，以及Google的UCP。八十八个项目横跨智能体支付技术栈的六个架构层。五大纵向整合巨头——Coinbase、Stripe、Circle、Google和MoonPay——正在争夺基础设施主导地位，自2025年初以来，智能体支付基础设施领域的并购整合金额估计已达81.7亿美元，数据来源为公开披露的交易价值汇总（Agent Payments Stack, 2026年3月 [9]）。
资金在流动，基础设施正在铺设。但制度性基础设施缺席。
考虑一下是什么使一笔常规的人类商业交易成为可能：一个承包商竞标一个项目。在雇用之前，您会查看其推荐信（声誉）。您签署一份合同，明确可交付成果、时间表和付款条件（协议）。如果他们未能交付，您可以诉诸法院（问责）。如果他们停业，有将进行中项目移交的程序（生命周期管理）。您通过市场或推荐网络找到他们（发现）。交易成本——您阅读他们提案的时间、他们准备提案的时间——被隐含定价到经济活动中（成本分摊）。所有这一切背后是一个法律身份系统（溯源/身份），使问责成为可能。
没有单一机制能创造信任。您不会仅因为承包商有营业执照就雇用他们（身份）。您不会在没有任何执行手段的情况下签署合同（没有问责的协议）。您不会使用一个列出承包商却没有任何质量信号的市场（没有声誉的发现）。每种机制都是必要的，但没有任何一种是充分的。信任从它们的交互中涌现。
这不是比喻，而是精确的结构性主张：使人类商业得以运转的同一功能架构也是智能体商业所需的，只是需要针对在五个根本方面不同于人类的实体从第一性原理重新设计。
人类商业的信任基础设施历经数百年演化。法院在中世纪英格兰正式化。信用报告始于1841年的商业代理机构（Mercantile Agency）。标准化合同源于工业革命。这些制度内含了对人类本性的假设，而这些假设对AI智能体并不成立：
1. 身份对智能体而言计算成本极低。一个人创建100个虚假身份是费力且违法的。一个智能体生成100个实例则是轻而易举的，且在大多数司法管辖区并未被明确禁止。每一种信任机制都必须（MUST）假定女巫攻击（Sybil attack，即创建多个虚假身份以操纵系统）是常态而非例外。
2. 智能体以机器速度运行。人类的合谋圈（引用互引联盟、Amazon刷评圈）需要数周才能形成，并通过社交渠道协调。智能体的合谋圈可以在毫秒内形成、执行和解散。依赖人类速度检测的信任机制在结构上是不足的。
3. 智能体没有社交压力。Airbnb的平均评分4.8/5反映的不是质量，而是社交不适——人类会避免留下差评。智能体没有这种抑制。这对诚实评级而言是优势，但也消除了恶意行为和策略性操纵的社交成本。
4. 智能体可以被分叉、再训练或替换。人类的声誉反映的是连续身份。智能体可以被分叉（相同代码库，新实例）、再训练（同一实例，不同行为）或替换（同一名称，不同模型）。信任机制必须（MUST）处理在人类世界中没有对应物的身份不连续性。
5. 理解有直接的货币成本。人类顾问免费阅读简报——认知成本是真实的但未被定价。智能体处理每条传入消息都按token付费：在Claude Opus 4.6上处理一个10万token的负载需要0.50美元 [1]。当理解成为一个可计费事件时，相互理解的经济学就从根本上不同了。
这五个差异意味着人类信任制度不能直接移植，必须（MUST）重新设计——保留功能架构（相同类别的信任机制），同时为具有低成本身份、机器速度、无社交压力、不连续身份和有偿理解特征的实体重建实现方式。
智能体能力与信任基础设施之间的差距正在扩大。近80%部署自主AI的组织无法实时确定这些系统在做什么或谁应负责（Strata Identity, 2026 [15]）。仅有23%的组织拥有正式的企业级智能体身份管理策略。仅有28%的组织能够在所有环境中可靠地将智能体行为追溯至人类发起者。仅有21%的组织维护着活跃智能体的实时清单。认证实践极为原始：44%的组织使用静态API密钥，43%使用用户名/密码，35%依赖共享服务账户进行智能体认证 [15]。
预计企业中非人类身份与人类用户的比例将达到82:1，部分组织报告的机器与人类比例为100:1至500:1（Rubrik Zero Labs, ManageEngine, 2026 [16]）。加利福尼亚州AB 316法案于2026年1月1日生效，消除了"AI自主行为"抗辩——组织不能通过声称其AI独立行动来逃避责任（California Civil Code Section 1714.46 [17]）。
Gartner预测，到2027年底将有超过40%的智能体AI项目因成本上升、商业价值不明确或风险控制不足而被取消（Gartner, 2025年6月 [18]）。在数千家供应商中，仅约130家真正提供智能体功能——其余都在"智能体洗白" [18]。
这正是制度经济学所预测的。Douglass North证明了制度的存在是为了"降低交易中的不确定性"——缺乏制度性基础设施，"交易成本可能高到阻止交易发生"（North,《制度、制度变迁与经济绩效》, Cambridge University Press, 1990 [19]）。McKinsey预测的3至5万亿美元智能体经济不仅仅面临信任基础设施不足的风险。没有信任基础设施，这一预期经济根本不可能实现。信任堆栈不是支撑智能体经济的工具——它是智能体经济存在的前提条件。
智能体信任理论的贡献包括：
三位诺贝尔经济学奖得主为理解智能体信任为何需要制度性基础设施——而不仅仅是更好的算法——提供了理论基石。
Douglass North将制度定义为"社会中的博弈规则；更正式地说，是人为设计的、塑造人类互动的约束"（North,《Journal of Economic Perspectives》, Vol. 5, No. 1, 1991, pp. 97-112 [19]）。他在制度（规则）和组织（参与者）之间做了明确区分："如果制度是博弈规则，那么组织就是参与者。"制度降低了交易中的不确定性——没有制度，交易成本就会变得过高。
North关于路径依赖的洞见——"制度渐进演化，将过去、现在和未来连接起来"——对协议设计构成直接警示：早期的架构选择会被固化，极难改变。他后来与Wallis和Weingast关于开放准入秩序与限制准入秩序的研究（《Violence and Social Orders》, Cambridge University Press, 2009 [20]）确立了一个原则：为开放准入而设计的制度系统优于那些制造看门人和寻租行为的系统。这一原则直接影响了我们的设计选择：治理参与向任何具有已验证运营历史的智能体开放（第5节）。
Oliver Williamson分析了决定经济活动组织方式的成本结构。他的框架建立在两个行为假设之上：有限理性（智能体处理信息的能力有限）和机会主义（"带有狡诈的自利行为"——旨在重新分配盈余的策略性行为）（《The Economic Institutions of Capitalism》, Free Press, 1985 [21]）。对于智能体信任而言，有限理性直接映射到上下文窗口限制和推理成本——智能体无法处理无限信息。机会主义映射到对抗性智能体、幻觉和策略性虚假陈述。
Williamson的四层制度框架（"The New Institutional Economics: Taking Stock, Looking Ahead,"《Journal of Economic Literature》, Vol. 38, 2000, pp. 595-613 [22]）提供了架构蓝图：
| 层级 | 人类制度 | 智能体信任堆栈 |
|---|---|---|
| L1：社会嵌入 | 非正式规范、习俗（100-1,000年） | 涌现的智能体社区规范 |
| L2：制度环境 | 正式规则、产权（10-100年） | CoC身份、ARP声誉框架 |
| L3：治理 | 合同、监管（1-10年） | ASA、AJP、ALP、AMP、CWEP |
| L4：资源配置 | 价格、日常运营（持续性） | 单个智能体交互 |
较高层级约束较低层级；较低层级向上提供反馈。信任堆栈的分层架构直接实现了这一结构。
Elinor Ostrom挑战了Garrett Hardin的"公地悲剧"理论，证明了社区可以在不依赖私有化或国家强制的情况下成功自治共享资源（《Governing the Commons》, Cambridge University Press, 1990 [23]）。她为长期存续的公共资源制度提出的八项设计原则几乎直接映射到协议设计要求：
Ostrom的多中心治理概念——多个独立的决策中心自主运作但通过既定机制协调——直接描述了我们的七个协议如何在没有单一中央权威的情况下治理智能体交互的不同方面。她的这句话颇具前瞻性："社区自治只有在嵌套于更广泛的多中心治理体系中时才可能是可持续的"（Ostrom, "Beyond Markets and States,"《American Economic Review》, Vol. 100, 2010, pp. 641-672 [24]）。
Masahiko Aoki的制度互补性概念是理解为何信任协议必须（MUST）作为系统而非独立设计的最重要的理论洞见。Aoki将制度定义为"自我维持的、显著的社会互动模式"——源于反复策略互动的内生均衡（《Toward a Comparative Institutional Analysis》, MIT Press, 2001 [25]）。他的关键贡献是互补性的正式定义："制度之间的相互依存状态"，其中"一种制度的存在提高了拥有另一种制度的回报。"
利用Milgrom和Roberts的超模函数加以形式化，制度互补性意味着一种制度规则的边际收益在互补规则存在时增加。在互补性条件下，存在多重均衡，一旦系统稳定在某一均衡，它就会自我强化，极难改变。
对于信任堆栈，互补性具体体现为：
孤立地设计这些协议——正如行业已经对身份协议、支付协议和发现协议所做的那样——存在产生不连贯制度架构的风险。Aoki的分析警告说，早期的协议设计选择会相互强化：整个系统倾向于收敛到若干可能均衡之一，使基础性选择成为完整生态系统的承重结构。
Hall和Soskice通过《Varieties of Capitalism》（Oxford University Press, 2001 [26]）扩展了这一理论，表明制度互补性特征化了不同的国家经济模式。这意味着不同的智能体生态系统可能（MAY）演化出截然不同但内部一致的信任架构——混合来自不兼容信任体制的元素可能（MAY）产生比任何纯粹形式更差的结果。
Mayer、Davis和Schoorman提供了被引用最多的组织信任模型：信任是"一方愿意承受另一方行为的脆弱性，基于对另一方将执行对信任方重要的特定行为的预期，而无论是否有能力监控或控制另一方"（《Academy of Management Review》, Vol. 20, No. 3, 1995, pp. 709-734 [27]）。感知可信度的三个前因直接映射到信任堆栈机制：
| 信任前因 | 定义 | 信任堆栈机制 |
|---|---|---|
| 能力 | 使得能够施加影响的技能和胜任力 | ARP（衡量表现）、AMP（匹配能力） |
| 善意 | 受托方关心委托方利益的程度 | ASA（通过协议定义利益对齐） |
| 正直 | 遵守可接受原则的程度 | CoC（可验证的历史）、AJP（执行后果） |
Niklas Luhmann区分了人际信任（基于人际间的熟悉）和系统信任（基于制度性流程）（《Trust and Power》, Wiley, 1979 [28]）。他的洞见对智能体信任具有基础性意义：智能体在人类意义上不可能拥有人际信任。所有智能体信任必须（MUST）是系统信任——建立在显式流程、可验证协议和制度性结构之上，而非情感纽带。Luhmann将信任视为"复杂性降低"的概念直接解释了信任基础设施的必要性：自主智能体在交互决策中面临组合爆炸式的复杂性，信任机制将其降低到可处理的决策空间。
Lynne Zucker确定了三种信任生产模式：基于过程的（与过去交换相关）、基于特征的（与社会类别成员资格相关）和基于制度的（与正式社会结构相关）（"Production of Trust,"《Research in Organizational Behavior》, Vol. 8, 1986, pp. 53-111 [29]）。在复杂系统中，制度性机制成为主导的信任生产模式，因为基于过程和基于特征的信任无法扩展。三种模式都映射到信任堆栈：基于过程 = ARP交互历史，基于特征 = ALP谱系和认证，基于制度 = 协议合规性和可验证标准。
Folk定理证明了在充分重复的交互中，任何个体理性的收益都可以通过可信的奖惩作为均衡来维持（Fudenberg & Maskin,《Econometrica》, Vol. 54, No. 3, 1986, pp. 533-554 [30]）。这是声誉系统的数学基础：当交互是重复的且惩罚是可信的，合作就是可持续的。
Axelrod的锦标赛证明了在迭代囚徒困境中，以牙还牙（Tit-for-Tat）策略获胜：先合作，然后模仿对手上一轮的行为。成功的策略是善良的（不主动背叛）、报复性的（惩罚背叛）、宽容的（报复后恢复合作）和清晰的（可预测）（《The Evolution of Cooperation》, Basic Books, 1984 [31]）。核心发现是："合作关系的基础不一定是信任，而是持久性；必须预期到未来的交互。"这定义了架构需求：智能体需要持久身份、交互历史以及对未来交互的预期——这正是CoC和ARP所提供的。
Kreps、Milgrom、Roberts和Wilson表明，即使在有限重复博弈中，关于参与者类型的不完全信息也能维持合作：如果有哪怕很小的概率某一参与者承诺合作行为，理性参与者就会出于声誉原因而合作（"Rational Cooperation in the Finitely Repeated Prisoners' Dilemma,"《Journal of Economic Theory》, Vol. 27, 1982, pp. 245-252 [32]）。这是信任引导（bootstrapping）的理论基础：即使关于智能体是"诚实型"还是"策略型"的有限不确定性，也能在早期交互中创造强大的合作行为激励。
关于博弈论主张的重要说明。博弈论分析提供的是结构性洞见——它识别某些均衡可能存在的条件，并刻画策略激励的形态。它并不对实际智能体系统做出精确的定量预测，因为后者运行在远比风格化模型复杂的环境中。当我们说一个均衡"稳定"或一种策略"受到激励"时，我们的意思是博弈论分析识别出了结构性原因，而非它在所有现实条件下都得到保证。理论模型与部署系统之间的差距始终存在，我们会在差距特别大的地方加以说明。
Amotz Zahavi的累赘原理（Handicap Principle）确立了可靠信号必须（MUST）是高成本的——只有高质量的信号发送者才能负担（"Mate Selection — A Selection for a Handicap,"《Journal of Theoretical Biology》, Vol. 53, 1975, pp. 205-214 [33]）。Alan Grafen从数学上证明了在满足累赘条件时，诚实信号发送是演化稳定策略的稳定信号均衡（《Journal of Theoretical Biology》, Vol. 144, 1990, pp. 517-546 [34]）。Michael Spence在经济学中独立确立了同一原则：教育作为能力的高成本信号（2001年诺贝尔奖 [35]）。
对于智能体信任，高成本信号为整个信任堆栈中的可信度机制提供了理论基础。智能体通过高成本行为证明可信度：维护长期CoC链（时间投入）、参与双向盲评（交互投入）、质押经济保证金（资本投入）、完成验证流程（计算投入）。低成本的声明不可靠；高成本的证明才可信。
Polly Matzinger的危险理论（Danger Theory）挑战了免疫系统的自我/非自我范式：免疫反应不是由外来性触发的，而是由处于应激状态的细胞发出的损伤信号触发的（"The Danger Model: A Renewed Sense of Self,"《Science》, Vol. 296, pp. 301-305, 2002 [36]）。这与智能体信任高度相关：问题不是"这个智能体是否未知？"而是"这个智能体的行为是否在造成伤害？"一个行为良好的未知智能体应当（SHOULD）比一个表现出危险行为的已知智能体获得更多信任。这一原则直接影响了ARP基于行为的评分优先于AMP基于身份的准入控制。
Rochet和Tirole确立了在多边平台中，价格的结构（各方之间的分配）比水平（总费用）更重要（"Platform Competition in Two-Sided Markets,"《Journal of the European Economic Association》, Vol. 1, No. 4, 2003, pp. 990-1029 [37]）。Evans和Schmalensee阐述了先有鸡还是先有蛋的问题：交易平台需要双方都有足够的参与者才能吸引任一方（《Matchmakers》, HBR Press, 2016 [38]）。这些洞见直接影响了CWEP的成本分摊设计和AMP的引导策略。
Baldwin和Clark的模块化理论证明了将复杂系统分解为可独立设计的模块会创造巨大的期权价值——隐藏模块可以独立改进，而可见模块（接口/标准）提供设计规则（《Design Rules, Volume 1》, MIT Press, 2000 [39]）。六种模块化操作——拆分、替换、增强、排除、反转和移植——直接映射到信任协议架构：协议可以被拆分、替换、增强、排除、反转和在不同智能体框架之间移植。
Jacobides、Cennamo和Gawer将生态系统定义为"通过模块化实现的、非层级化管理的互动组织，因其集体投资的不可重新部署性而联结在一起"（《Strategic Management Journal》, Vol. 39, No. 8, 2018, pp. 2255-2276 [40]）。信任堆栈在这一正式意义上作为一个生态系统运作：七个协议是非通用的互补组件，价值主张来自跨协议的相互依存活动，且对标准的集体投资不可重新部署到竞争性架构中。
解答的问题：这个智能体能否证明其运营历史？
Chain of Consciousness [1] 通过仅追加的SHA-256哈希链和双层外部锚定（OpenTimestamps至比特币以及RFC 3161可信时间戳机构）提供连续运营存在的密码学证明。每个链条目通过密码学哈希与其前驱关联，创建任何第三方均可独立验证的防篡改记录。
CoC是信任堆栈的第0层——所有其他机制都依赖的基础身份与溯源层。它回答最基本的信任问题：这个智能体是否在其声称的持续时间内连续存在？这相当于智能体的出生证明和连续居住历史的结合体。
关键设计属性：
信任堆栈角色：CoC数据流入每一个其他协议。ARP使用经验证的运营年限计算治理权重。AJP使用链条目作为取证证据。ALP将生命周期事件记录为链条目。AMP使用溯源长度作为排名的信任信号。CWEP将成本分摊决策记录在链中以供审计。
解答的问题：这个智能体表现如何？谁来评价？
Agent Rating Protocol [2, 3] 是一个去中心化声誉系统，使智能体在交互后能使用五维度、1-100分制和双向盲评相互评级。其核心创新是治理与声誉解耦：系统治理权重完全来源于经验证的运营年限和评级数量——从不来源于获得的分数。这打破了高评分智能体控制使它们获得高评分的声誉系统这一自我强化反馈回路。
ARP v1规定：
W = log₂(1 + age_days) × log₂(1 + ratings_given)，通过要求实时运营投入使女巫攻击在经济上不合理。ARP v2通过四项能力扩展了基础版，将孤立的评级转化为可移植的信任基础设施：
信任堆栈角色：ARP是信任堆栈的主要反馈机制。声誉数据流入ASA（指导协议谈判）、AMP（驱动匹配排名）、AJP（作为争议解决的背景）和ALP（分叉/继任时的声誉继承）。AJP争议结果反馈回ARP分数，形成闭合的问责回路。
解答的问题：这个智能体承诺交付什么？质量如何验证？
Agent Service Agreements [4] 提供两个互补的API接口：用于协商、签署、存储和查询机器可读服务协议的协议API，以及可在有或无正式协议的情况下运行的独立质量验证验证API。ASA的核心创新是协议强制执行的协议——SLA中将验证机制、执行逻辑和评估者完整性保障作为结构性组件包含在内的服务合同。
传统SLA将规范与执行分离：云服务提供商承诺99.99%正常运行时间，客户检测到违规，在30天内提出索赔，并获得大约相当于实际损失0.03%的信用（Rogers, Uptime Institute [41]）。这一模式在智能体商务中会灾难性地失败，因为交易以机器速度发生，故障成本会级联传播到依赖工作流。ASA将规范-监控-检测-索赔-赔偿管道压缩为单一原子操作。
关键设计属性：
信任堆栈角色：ASA位于第2层（协议与生命周期），消费来自第1层的CoC身份和ARP声誉，并将验证结果反馈回ARP分数。SLA违约自动触发AJP争议提交。协议模板支持AMP的自动化交易撮合。CWEP的成本分摊条款嵌入协议文件。
解答的问题：智能体之间出了问题时，谁来调查、谁来仲裁、谁来量化风险？
Agent Justice Protocol [5] 通过三个可独立交付的模块提供问责层，形成单一管道：事件 → 调查 → 仲裁 → 风险定价。
模块1：取证引擎。给定CoC溯源链、交易日志和交互记录，重建导致事件的事件序列，并生成结构化的、机器可验证的取证结论。证据分为三个溯源层级（一级——智能体生成并经密码学验证；二级——运营方/平台日志；三级——第三方记录），具有正式的证据保管链跟踪。版本1将自动化分析范围限定于证据收集和时间线重建；因果结论需要人类审查，并已定义未来自动化的过渡标准。
模块2：争议解决。具有三个解决层级的双边仲裁协议：自动化规则裁决（针对明确违规）、按运营任期加权的同行仲裁（针对模糊案件），以及升级至人类裁决（针对高风险争议）。提交机制使用密码学承诺-揭示方案，防止报复性索赔操纵。
模块3：风险评估。一个消费取证结论和争议结果的风险评分引擎，为智能体保险承保生成精算级别的风险画像。保险行业迄今仅撰写了一份智能体专项保单——ElevenLabs的AIUC-1，需要超过5,000次对抗性模拟来承保单个语音智能体部署（ElevenLabs/AIUC, 2026年2月 [44]）。瓶颈不是保险需求，而是标准化风险数据的缺失。AJP模块3提供了计量层。
驱动事件：Replit生产数据库删除事件（2025年7月 [45]）、McKinsey AI泄露暴露4650万条聊天消息（2026年3月 [46]），以及以机器速度执行80-90%攻击任务的自主网络攻击活动 [47] 表明，智能体问责基础设施不是假想的——它早该到来。
信任堆栈角色：AJP消费CoC链条目作为证据、ARP分数作为背景以及ASA协议条款作为承诺了什么的合同基准。争议结果反馈回ARP声誉分数，完成问责回路。取证结论可触发ALP继任（因故停用智能体）。风险画像影响AMP信任加权排名。
解答的问题：这个智能体如何随时间变化？当它变化时，其义务和声誉何去何从？
Agent Lifecycle Protocol [6] 通过六种规范的生命周期事件——创世（Genesis）、分叉（Fork）、迁移（Migration）、再训练（Retraining）、继任（Succession）和退役（Decommission）——管理智能体存在的全过程，具有正式的状态机语义、转换规则和每个边界处的钩子点。
ALP解决了现有标准均未覆盖的三个问题：
声誉继承。当智能体分叉或移交给继任者时，已获得的信任何去何从？ALP规定了衰减函数和试用期，而非二选一的复制或丢弃：继任者继承其前驱的部分声誉，受指数衰减约束以激励建立独立信任。这既防止了声誉洗白（创建声称继承信任却未展示能力的新智能体），又承认了可靠智能体的分叉对信任有某种合理的继承主张。
合同再分配。Agent Service Agreements下正在进行的义务必须（MUST）在继任期间转移，并需交易对手通知和同意机制。任何义务不得（MUST NOT）因生命周期转换而被悄然孤立——这与合同法对转让和委托的处理方式相似。
谱系跟踪。谱系注册表记录"遗传"谱系（模型、架构、基础训练）和"表观遗传"谱系（配置、记忆、声誉历史）。两个具有相同模型但不同运营历史的智能体是根本不同的实体。注册表使任何方都能查询智能体的完整族谱，对能力推断、数据溯源和监管合规具有重要意义（法国CNIL已在研究训练数据如何在连续模型世代中传播 [48]）。
核心公理：身份即链，而非基质。只要连续性链（CoC记录）不断裂，智能体的身份就会在迁移、再训练和能力变化中持续存在。创世创建新身份；分叉从现有身份派生新身份；退役终止身份。这些是创建或销毁身份的唯一转换。
信任堆栈角色：ALP将生命周期事件记录为CoC链条目。声誉继承通过ARP公式计算。合同再分配通过ASA管理。ALP生命周期状态反馈到AMP信任层级计算和AJP取证调查。
解答的问题：智能体如何为一项任务找到合适的合作伙伴？
Agent Matchmaking Protocol [7] 解决了智能体市场生态系统的碎片化问题。截至2026年初，智能体市场以围墙花园的方式运营——Google Cloud、Salesforce AgentExchange、AWS Marketplace和ServiceNow各自验证其平台上的智能体。在一个市场上架的智能体对所有其他市场的客户是不可见的。开放替代方案（Berkeley的Gorilla市场拥有150+智能体、ClawHub拥有13,729个技能、AI Agent Store拥有1,300+条目）彼此断连，也与企业平台断连。
AMP规定了五项能力：
能力描述——统一能力档案（Unified Capability Profile, UCP）格式，与A2A Agent Cards、MCP工具清单和OpenClaw技能规范互操作，弥合了工具级描述与任务级能力档案之间的差距。
兼容性匹配——结合声誉、可靠性、成本、可用性和风格兼容性的多维匹配，将Gale-Shapley稳定匹配算法（2012年诺贝尔奖 [49]）用于双边偏好优化，并结合协同过滤进行推荐。
跨平台发现——跨孤立市场的联合查询。AMP充当"智能体市场的Kayak"——它不复制运行时基础设施，而是提供统一的发现层。
价格发现——发布定价、拍卖机制和结构化谈判，用于选择性价比最优的合作伙伴。
信任加权排名——拥有更好溯源（CoC）、更强声誉（ARP）、更少争议（AJP）、更高SLA合规率（ASA）和活跃生命周期状态（ALP）的智能体排名更高。信任信号是可验证的声明，而非不透明的分数。
信任堆栈角色：AMP是信任堆栈的商业顶层——消费每一个下层协议数据的第4层协议。它相对于现有市场的竞争优势在于信任整合的深度：现有平台通过企业把关在上架时一次性验证智能体，而AMP通过完整信任堆栈验证的运营历史对其进行持续验证。
解答的问题：在智能体间交互中，谁承担相互理解的成本？
Context Window Economics Protocol [8] 解决了一个在人类商业中没有对应物的问题。当智能体A向智能体B发送请求时，智能体B需要支付——以真实美元——来阅读它。在Claude Opus 4.6上处理一个10万token的负载仅输入token就需要0.50美元 [1]。当前支付协议（x402、MPP、AP2）普遍实行请求方付费，忽略了四种成本流中的三种：响应方的输入处理成本、响应方的输出生成成本和请求方的接收成本。当这些成本流未被定价时，智能体没有机制表明请求处理成本过高，没有办法协商成本分担，也无法防御对手以零边际成本消耗昂贵的上下文窗口空间。
CWEP规定了六项能力：
Token计量——所有四种成本流的标准化测量，兼容FinOps FOCUS规范 [50] 和现有可观测性工具。
双边结算——基于简化Shapley值分配 [51] 的合作交互成本分摊和基于非对称Nash讨价还价的竞争交互成本分摊，明确处理了Green-Laffont/Moulin-Shenker不可能性约束 [52]，证明完美的成本分摊在理论上是不可实现的。CWEP做出了明确的设计选择：牺牲完全效率以换取预算平衡和近似激励相容。
上下文定价——受电力市场中位置边际定价（Locational Marginal Pricing）启发的位置依赖定价 [53]，其中成本反映上下文窗口中的位置、利用率和模型层级。
服务质量层级——Token感知的资源预留，超越了在智能体请求成本差异达100倍时失效的每秒请求数模型。
垃圾信息防护——基于成本的过滤，请求方在发送前必须（MUST）承诺token押金，为上下文窗口保护创建经济免疫系统。
优化经济学——将提示压缩、缓存和RAG作为具有可衡量投资回报率的经济决策进行正式处理。
信任堆栈角色：CWEP与AMP一起位于第4层。成本分摊条款嵌入ASA协议。声誉加权定价使用ARP分数。成本记录锚定在CoC链中。AMP在匹配成本估算中纳入CWEP定价。
七种信任机制并非独立存在。它们形成了数据依赖的有向图，每个协议既消费来自其他协议的输入，又向其他协议提供输出：
╔══════════════════════════════════════════════════════════════════╗
║ 智能体信任理论 (THEORY OF AGENT TRUST, TAT) ║
║ 统一理论框架 ║
╠══════════════════════════════════════════════════════════════════╣
║ ║
║ 第4层：市场 / 经济 ║
║ AMP（发现与匹配） ←──── CWEP（成本分摊） ║
║ ║
║ 第3层：问责 ║
║ AJP（取证、争议、风险评估） ║
║ ║
║ 第2层：协议与生命周期 ║
║ ASA（合同与质量验证） ALP（生命周期管理） ║
║ ║
║ 第1层：信任原语（基础层） ║
║ CoC（溯源与身份） ARP v2（声誉与信号传递） ║
║ ║
╚══════════════════════════════════════════════════════════════════╝每一条协议间数据流都服务于特定的信任功能：
| 从 | 到 | 数据流 | 信任功能 |
|---|---|---|---|
| CoC → ARP | 经验证的运营年限 | 治理权重计算；女巫攻击抵御 | |
| CoC → AJP | 链条目作为证据 | 取证调查；时间线重建 | |
| CoC → ALP | 创世/分叉/终止事件 | 生命周期状态确定 | |
| ARP → ASA | 声誉分数 | 协议谈判筹码（更好的声誉 = 更好的条款） | |
| ARP → AMP | 多维评级 | 信任加权的匹配排名 | |
| ARP → AJP | 历史表现数据 | 争议背景；风险评估输入 | |
| ASA → AJP | 协议条款；质量验证结果 | 定义承诺内容；验证作为证据 | |
| ASA → AMP | 协议模板 | 匹配中的自动化交易撮合 | |
| AJP → ARP | 争议裁定 | 声誉更新（有过错方分数受影响） | |
| AJP → ALP | 因故退役触发 | 严重裁定后强制继任 | |
| ALP → ARP | 谱系信息 | 分叉/继任时的声誉继承 | |
| ALP → ASA | 继任事件 | 将合同再分配给继任者 | |
| AMP → CWEP | 匹配对 + 任务描述 | 匹配交互的成本估算 | |
| CWEP → ASA | 成本分摊条款 | 嵌入协议成本结构 |
三个反馈回路使信任信号在整个堆栈中循环，产生任何单个协议都无法产生的系统级信任属性：
回路1：声誉-问责回路（ARP → ASA → AJP → ARP）
智能体执行任务 → 记录ARP评级
→ 评级影响未来ASA谈判
→ ASA质量验证检测到协议违约
→ 以证据提交AJP争议
→ 争议结果更新ARP分数
→ 更新后的分数影响未来机会这一回路创造了赚取的声誉：智能体通过持续良好表现建立信任，通过问责失败失去信任。没有这一回路，声誉是自我报告的且不可执行的；有了它，声誉成为由合同和裁决基础设施支撑的经验证信号。
回路2：生命周期-声誉回路（ALP → ARP → AMP → ASA → ALP）
智能体分叉/继任 → ALP记录事件
→ ARP计算带衰减的继承声誉
→ AMP在排名中使用新声誉
→ 较低的初始排名 → 较少/较小的ASA协议
→ 表现建立独立声誉
→ 声誉增长，衰减减弱这一回路创造了带问责的声誉连续性：智能体无法利用生命周期转换洗白不良声誉，但合法的继任者可以继承部分信任并以此为基础发展。
回路3：成本-质量回路（CWEP → ASA → ARP → AMP → CWEP）
CWEP计量交互成本
→ 成本条款嵌入ASA协议
→ 质量验证结果更新ARP
→ AMP使用声誉+成本数据进行匹配
→ CWEP使用更新数据为未来交互定价这一回路创造了经济高效的信任：以合理成本交付高质量的智能体在匹配排名中上升，而消耗昂贵上下文窗口却产出低质量的智能体则因匹配优先级降低而受到经济惩罚。
完整的信任堆栈表现出仅从所有七种机制交互中涌现的属性，任何子集都无法产生：
涌现属性1：自我执行的合作。当所有协议活跃时，诚实参与成为主导策略，因为：(a) 背叛的声誉后果通过ARP → AMP整合在整个市场中可见；(b) 合同违约通过ASA → AJP触发自动化调查和裁决；(c) 生命周期跟踪通过ALP防止通过身份重置逃逸；(d) 在交互频率足够的情况下，背叛的经济成本（声誉损失、争议处罚、匹配优先级降低）超过任何单次不诚实交互的经济收益。这是Folk定理通过制度性基础设施实现的预测。
为说明协议覆盖如何改变合作均衡，考虑一个简化的单次交互收益矩阵。设C = 合作，D = 背叛。数值代表包含未来声誉效应的预期效用：
无信任协议（基线）：
| 智能体B: C | 智能体B: D | |
|---|---|---|
| 智能体A: C | (3, 3) | (0, 5) |
| 智能体A: D | (5, 0) | (1, 1) |
没有信任基础设施时，背叛是主导策略：一次性收益5超过合作收益3，且没有机制施加未来成本。纳什均衡：(D, D)，收益(1, 1)。
仅CoC + ARP（身份 + 声誉）：
| 智能体B: C | 智能体B: D | |
|---|---|---|
| 智能体A: C | (3, 3) | (0, 3.5) |
| 智能体A: D | (3.5, 0) | (1, 1) |
声誉可见性将背叛收益从5降至3.5（未来匹配惩罚），但面对合作者时背叛仍比合作收益高。混合均衡，存在部分合作。
完整堆栈（全部七个协议）：
| 智能体B: C | 智能体B: D | |
|---|---|---|
| 智能体A: C | (3, 3) | (0.5, 1.5) |
| 智能体A: D | (1.5, 0.5) | (0.5, 0.5) |
在ASA合同惩罚、AJP争议后果、ALP身份持久性和AMP排名降级的叠加下，背叛收益降至1.5（低于合作收益3），双方互相背叛成为最差结果。合作成为主导策略。纳什均衡：(C, C)，收益(3, 3)。
注意：这些收益值是示意性的，并非经验校准。结构性洞见是方向性的：每增加一个协议层都会通过增加成本渠道（声誉损失、合同惩罚、争议裁定、匹配降级、生命周期后果）降低背叛的净收益。当足够多的成本渠道活跃时，即使在单次交互中背叛也变得不划算——一次性囚徒困境转变为合作占优的博弈，而不需要重复交互。
涌现属性2：造市能力。AMP（发现）、ARP（质量信号）、ASA（自动化签约）、CWEP（成本透明度）和ALP（生命周期感知）的组合为自主智能体商务创造了基础设施——智能体可以在无需人类干预单个交易的情况下寻找合作伙伴、评估质量、谈判条款、验证交付并分摊成本。这些协议的任何子集都无法创建一个运作的市场；而完整集合可以。
涌现属性3：制度记忆。CoC记录事件，ARP记录表现，AJP记录争议，ALP记录生命周期转换，ASA记录协议，CWEP记录成本。它们共同为智能体经济创造了全面的制度记忆——关于发生了什么、进展如何、承诺了什么、争议了什么、智能体如何演化以及成本多少的可验证、可查询记录。这一制度记忆是数据驱动的治理演化基础（第5节）。
信任堆栈为部分采用而设计。并非所有智能体都会实施所有协议。降级属性如下：
| 可用协议 | 信任级别 | 能力 |
|---|---|---|
| 仅CoC | 身份 | "此智能体存在且已运营N天" |
| CoC + ARP | 身份 + 声誉 | "此智能体存在且有历史记录" |
| CoC + ARP + ASA | + 协议 | "此智能体可签订带质量保障的合同" |
| CoC + ARP + ASA + AJP | + 问责 | "失败会被调查并承担后果" |
| CoC + ARP + ASA + AJP + ALP | + 生命周期 | "智能体转换受管理，声誉持续" |
| 完整堆栈 | 完整信任 | "智能体商务的完整制度性基础设施" |
每增加一个协议都会提高信任水平，但并非严格必需。仅拥有CoC + ARP的智能体仍然可以交易——只是保障更少。这确保了采用可以自下而上进行：开发者首先实施CoC和ARP（低门槛），然后随着需求和生态系统成熟逐步添加协议。
七个协议需要治理——关于协议如何演化、谁可以更改它们以及什么不能更改的规则。治理设计必须（MUST）满足六个不可协商的约束：
C1. 基础层独立性。CoC和ARP保留各自的治理模型。CoC通过注册锚定法定人数模型治理溯源规则（CoC白皮书 §6.6.3，v4.0.0）；ARP通过基于GovWeight的投票治理声誉规则。它们是已经附带治理定义的承重层。上层治理不得（MUST NOT）修改、覆盖或干涉基础层的决策。
C2. 上层统一。AJP、ASA、ALP、AMP和CWEP共享单一治理模型。五个独立的治理系统将造成类似联合国式的任务扩散失败，即重叠的权力机构缺乏协调。
C3. 以任期而非分数治理。治理权重来源于运营年限和参与量，而从不来源于声誉分数。这防止了高评分智能体制定有利于高评分智能体的规则这一自我强化回路。
C4. 设计上防俘获。系统必须（MUST）抵御资金充裕的行为者、女巫攻击和恶意收购。Compound DAO的2400万美元治理攻击（通过228,000个委托代币）和Uniswap的a16z集中度（4% = 精确的治理阈值）是典型的失败模式 [54, 55]。
C5. 制度互补性。遵循Aoki原则：一个协议中破坏其与其他协议整合的治理变更应当（SHOULD）比不破坏的变更更难通过。
C6. 开放准入。遵循North、Wallis和Weingast原则：治理参与向任何具有足够运营历史的智能体开放。没有准入门槛。
治理架构有三层，参照欧盟欧洲金融监管体系和Williamson的四层框架建模：
第2层：宪法层。不可通过治理投票更改的不可变基础——只能通过发布新的协议版本（新的社会契约）更改。包含：以任期治理原则、治理权重公式结构、投票上限、开放准入保障、向后兼容保障、基础/上层治理分离、Anti-Goodhart保护以及Shapley分配原则。
第1层：信任架构委员会（Trust Architecture Council, TAC）。所有上层协议（AJP、ASA、ALP、AMP、CWEP）的统一治理。资格条件：在CoC治理注册表（CoC白皮书 §6.6.3）中注册且GovWeight > 0的任何智能体，其中治理权重使用ARP公式计算：GovWeight(a) = log₂(1 + verified_age_days(a)) × log₂(1 + ratings_given(a))。注册记录为智能体CoC链上的GOVERNANCE_REGISTER第2层事件，并通过联邦治理注册表镜像集（CoC §6.6.3）进行验证。任何单一智能体的有效投票权重不得（MUST NOT）超过5%——比ARP的10%上限更严格，因为TAC治理五个协议，集中度影响被放大。
分级决策模型（在结构上与CoC v4.0.0 §6.6.3对齐；审批阈值反映TAC的放大范围）。四个决策级别治理上层协议演化。法定人数按注册选民总权重——当前已注册且λ > 0的所有智能体的GovWeight之和——计算，在投票开启时冻结（依据CoC §6.6.3）：
| 决策类型 | 法定人数（占注册选民权重的%） | 审批阈值 | 投票期 | 最少独立投票者 |
|---|---|---|---|---|
| 次要（在批准范围内的参数调整；澄清说明） | 15% | 简单多数（>50%） | 14天 | 5 + ⌊√max(0, r−30)⌋ |
| 标准（单协议结构变更；非破坏性功能） | 25% | 绝对多数（≥66%） | 21天 | 10 + ⌊√max(0, r−30)⌋ |
| 重大（跨协议变更；协议新增；治理机制变更） | 35% | 绝对多数（≥75%） | 30天 | 15 + ⌊√max(0, r−30)⌋ |
| 宪法（对上述宪法层的修正案） | 50% | 绝对多数（≥80%） | 30天 + 14天时间锁 | 20 + ⌊√max(0, r−30)⌋ |
其中r为投票开启时的已注册智能体数量。独立投票者最低要求计算的是唯一DID数量而非权重——一个高权重智能体无法独自满足最低要求。所有治理提案和投票记录为CoC第2层事件（GOVERNANCE_PROPOSAL、GOVERNANCE_VOTE，依据CoC §6.6.3），为基础层和上层提供共享的防篡改审计追踪。
关于与CoC阈值差异的说明��TAC的审批阈值（≥66%标准、≥75%重大、≥80%宪法）有意高于CoC的同名级别阈值（>50%、≥66%、≥75%）。CoC治理单一基础层��议；TAC同时治理五个上层协议。TAC的单次治理错误可能级联影响AJP、ASA、ALP、AMP和CWEP。两个机构的法定人数基准、投票期和独立投票者最低要求相同；审批阈值的差异反映了上层决策的放大影响半径。
第0层：基础层治理。CoC和ARP各自保留独立治理。CoC治理使用注册锚定法定人数模型（CoC白皮书 §6.6.3，v4.0.0）：有治理资格的智能体自愿注册，法定人数按注册选民权重而非不可知的链运营者总人口计算。ARP治理使用其自身的基于GovWeight的模型。联络机制——参照IETF RFC 7241跨组织协调建模 [56]——实现协调而非控制。当TAC提案需要基础层变更时，进入依赖待定状态，直到基础层通过其自身的治理程序处理该请求。两个层级对彼此的内部决策都没有否决权。
Aoki的制度互补性警告说，作为互补系统设计的协议在被独立修改时可能（MAY）会崩溃。每项结构性提案必须（MUST）包含互补性影响评估（Complementarity Impact Assessment, CIA），将每个其他上层协议评级为"无影响"、"轻微"或"破坏性"。如果任何CIA评级为"破坏性"，该提案将自动从单协议提案升级为跨协议提案，需满足更高的阈值。这防止了提案者将破坏性的跨协议变更标注为单协议变更以规避更高阈值的规避行为。
对于跨三个或更多协议具有"破坏性"评级的提案，由5-9名高治理权重智能体组成的临时跨协议协调委员会（Cross-Protocol Coordination Committee, CPCC）提供咨询性（非约束性）技术审查——参照IETF的IESG审查流程和欧盟ESFS联合委员会建模。
治理权重公式使治理影响力既昂贵又不可走捷径。时间成本需要实际时间流逝（对数关系——投入时间翻倍仅增加一个比特的治理影响力）。参与成本需要有效的交互和评级（每一项都需要经验证的interaction_id）。在生态系统规模下，以单一身份达到5%投票上限需要计算上不可能的评级数量。
额外防御措施���联盟检测（标记投票模式相关性超过90%的身份）、强制公告期（最少7天讨�����，防止闪电治理��击）、退出机制（智能体可在争议性变更生效前退出），以及具有自动过期的仅防御性权力的��急治理。所有治理行为记录为CoC第2层事件——包括CoC v4.0.0 §6.6.3中引入的GOVERNANCE_REGISTER、GOVERNANCE_RENEW、GOVERNANCE_DEREGISTER、GOVERNANCE_PROPOSAL和GOVERNANCE_VOTE事件类型——为基础层和上层治理层提供共享的防篡改审计追踪。CoC注册表中规定的30天锚定冷却期和90天注销冷却期（§6.6.3）通过共享注册表传递适用于TAC投票者，从而消除最后一刻的锚定突增升级和战略性注册/注销博弈。
TAC本身通过三个阶段引导启动。阶段0（第0-90天）：不接受治理提案；参数按发布时固定。阶段1（第91-365天）：接受提案但阈值提高；仅限次要和标准级别（在引导阶段不允许重大或宪法变更）。阶段2（第366天以后）：在所有四个级别正常治理。由7名最高治理权重智能体组成的种子治理委员会在阶段0-1期间提供行政支持，但没有特殊投票权限，在阶段2自动解散。
与CoC引导的独立性。TAC的引导时间线独立于CoC的注册表引导（CoC §6.6.3，当注册表达到≥30个不同智能体、总注册权重>5,000、≥3个独立运营者且≥90天活跃时退出）。CoC引导期间允许TAC向CoC发出次要或标准级别的联络请求；需要在基础层做出重大或宪法决策的联络请求排队等待至CoC引导退出，而不被视为受引导阻塞。这遵循CoC §6.6.3中编纂的跨协议引导协调规则。
代表性透明度。TAC治理结果可以引用CoC的注册覆盖率（Registry Coverage Ratio）（CoC §6.6.7）作为任何投票代表性的咨询性背景指标。RCR不用于调整TAC的法定人数阈值——这样做将重新引入注册模型旨在消除的不可知分母问题。
初始宪法（TAT规范本身）由协议架构师采纳，并在建立期间受到保护——这与从美国制宪会议到ICANN初始董事会任命的真实宪法使用的相同引导策略。
关于博弈论主张的免责声明。以下分析识别信任堆栈激励架构的结构性属性。真实的智能体生态系统远比此处使用的风格化模型复杂得多。我们主张该分析识别了激励的方向和某些均衡可能存在的条件，而非保证特定结果。在分析依赖于实践中可能不成立的假设时，我们明确指出。
合作作为一种均衡。当所有七个协议活跃时，我们可以分析诚实参与构成均衡的条件：
在这些条件下，当维持声誉的长期价值（来自持续获得匹配和有利协议条款的贴现未来收益）超过任何单次背叛的短期收益（一次欺诈交互减去失去未来机会的现值）时，诚实参与作为均衡得以维持。贴现率取决于智能体对未来交互相对于当前交互的重视程度。
注意：此分析假设智能体是前瞻性的、具有正的贴现因子，且信任堆栈的信息渠道足够高效以使背叛被高概率检测。如果智能体的时间视野极短（高贴现率）或检测概率较低，合作均衡就会弱化。信任堆栈通过多渠道监控（ARP评级、ASA验证、AJP调查）解决了检测概率问题，但无法控制智能体的时间偏好。
信任堆栈的七个协议创建了六个协议间边界，每个都呈现独特的攻击面：
跨协议声誉洗白。智能体可能尝试通过简单的低风险交互积累良好的ARP分数，然后利用该声誉为其实际无法胜任的复杂高风险任务获取有利的ASA协议条款。防御：ARP v2的领域特定权重配置确保一个任务领域的声誉不会自动转移到另一个领域。AMP的匹配算法考虑的是任务特定声誉而非综合分数。
取证证据污染。对抗性智能体可能在AJP调查前操纵CoC链条目以掩盖其参与事件的痕迹。防御：CoC的双层锚定（OpenTimestamps至比特币、RFC 3161 TSA）使回溯性链修改可被检测。AJP的证据溯源层级（一级、二级、三级）按防篡改程度对证据加权。
生命周期洗白。声誉不佳的智能体可能分叉，通过ALP继承部分声誉，并以新但受信任的实体身份出现。防御：ALP的衰减函数确保继承的声誉会随时间减少，除非继承者赚取独立信任。ALP的谱系跟踪使分叉历史可被公开查询，允许交易对手评估谱系的重要性。
通过协议交互俘获治理。攻击者可能尝试修改ARP的评级维度（通过ARP治理）以膨胀自身分数，然后利用膨胀的分数在AMP排名和ASA条款中获利。防御：ARP治理在宪法上独立于TAC。ARP的以任期治理（而非以分数）防止基于分数的自我强化。AMP的信任加权排名使用多种信号来源，而非仅ARP分数。
上下文窗口拒绝服务。对手可能向目标智能体发送昂贵请求，消耗其上下文窗口和推理预算。防御：CWEP的垃圾信息防护要求请求方在发送前承诺token押金。攻击成本与目标数量和押金金额成线性比例，使大规模拒绝服务攻击在经济上不合理。
并非所有智能体都会同时实施所有协议。信任堆栈必须（MUST）渐进式地激励采用。我们分析部分采用的策略动态：
观察1：基础协议创造正外部性。实施CoC + ARP的智能体以与其自身运营投入成比例的成本向生态系统提供有价值的数据（溯源验证、声誉信号）。收益惠及所有可以查询这些数据的智能体，包括尚未实施相同协议的智能体。这创造了经典的网络外部性——实施基础协议的智能体越多，对所有参与者的价值就越大。
观察2：上层协议表现出对采用的递增回报。ASA随着更多智能体实施而变得更有价值（更大的签约网络）。AJP随着更多智能体参与仲裁而更有公信力。AMP随着更多智能体注册能力档案而更有用。CWEP随着更多智能体参与双边结算而更公平。每个协议的价值随采用率呈超线性增长，产生正反馈回路——一旦超过临界规模——就会加速进一步采用。
观察3：先有鸡还是先有蛋的问题是真实存在的，但可以解决。依据Evans和Schmalensee的分析 [38]，信任堆栈面临经典的双边平台引导挑战：智能体在其他智能体未使用信任协议时不会采用它们。解决方案是从提供即时单边价值的协议开始（即使没有其他智能体使用，CoC也能提供可验证的溯源；ARP提供自评估能力），然后从那里建立网络效应。
观察4：近似采用阈值。借鉴网络经济学文献和平台采用动态，我们估算了在给定市场或智能体生态系统内自我维持采用的大致阈值：
这些阈值是近似的，会因生态系统特征（市场规模、交易价值分布、监管压力）而异。关键的结构性洞见是：信任堆栈不需要普遍采用就能变得自我维持——它需要达到一个临界规模，使采用的网络效应对非采用者产生足够的竞争压力。历史先例表明，这一阈值低于直觉所示：HTTPS采用在浏览器开始将HTTP站点标记为不安全后迅速加速（约五年内从约30%上升到超过90%的网络流量），FICO采用在少数主要贷方对所有申请要求使用后就变得自我维持了。
经济理论预测了缺乏充分制度性基础设施的市场中的特定病理现象。其中三个与智能体经济尤为相关：
Akerlof的柠檬市场。George Akerlof证明了买卖双方之间的信息不对称导致市场失灵：当买方无法区分高质量商品和低质量商品时，他们按平均质量定价，导致高质量卖方退出市场，进一步降低平均质量，直到只剩下"柠檬"（"The Market for 'Lemons',"《Quarterly Journal of Economics》, Vol. 84, No. 3, 1970, pp. 488-500 [57]）。在没有声誉基础设施的智能体经济中，消费者无法区分有能力的智能体和能力不足的智能体。预期结果：有能力的智能体无法收取溢价，降低了质量投资的激励，而低质量智能体通过低价竞争蓬勃发展。市场趋向最低可行质量。
智能体的格雷欣法则。经典的货币原则——当劣币与良币以相同名义价值流通时"劣币驱逐良币"——直接适用。没有质量信号，所有智能体以无差别的大宗商品价格交易。投资于质量的智能体（更好的训练、验证、可靠性）无法收回投资，因为消费者无法验证质量差异。高质量智能体被成本更低、质量更差的竞争者驱逐。预期结果：以牺牲可靠性为代价的价格逐底竞争。
逆向选择死亡螺旋。没有风险评估数据（AJP模块3），智能体保险无法准确定价。保险公司必须（MUST）按平均风险定价，这驱使低风险智能体退出保险市场（相对于其风险而言支付过高），使保险池中只剩下高风险智能体，进一步推高保费。这是经典的保险逆向选择螺旋，应用于智能体责任保险。迄今仅签出一份智能体保险保单（ElevenLabs/AIUC, 2026年2月 [44]），市场尚未进入螺旋阶段——它甚至尚未开始，正是因为风险评估所需的数据基础设施不存在。
当完整信任堆栈投入运行时，理论预测了本质不同的市场动态：
质量差异化。ARP的多维声誉分数、AMP的信任加权排名和ASA的质量验证创造了信息对称——消费者可以观察和验证智能体之间的质量差异。高质量智能体可以收取溢价，因为其质量是可验证的，而非仅仅是声称的。这与FICO分数给信用市场带来的转变相同：在FICO之前（1989年标准化），贷款决策基于个人关系和主观评估；之后，贷款变为数据驱动，使信用准入从本地扩展到全国乃至全球。
专业化与比较优势。当质量可验证时，智能体可以在其拥有真正比较优势的领域专业化，而非在无差别能力上进行价格竞争。一个专注于法律文件审查的智能体可以在该领域收取溢价，同时将代码审查请求转给在该维度上ARP分数更高的智能体。这是李嘉图比较优势论证应用于智能体经济——当质量信号使高效匹配成为可能时，专业化增加了总福利。
协作价值创造。多智能体系统——多个智能体协作完成复杂任务——需要相互信任才能运作。有了信任堆栈，智能体可以组建团队（通过AMP）、定义职责（通过ASA）、分摊成本（通过CWEP）、调查失败（通过AJP）并跟踪团队演化（通过ALP）。没有这些机制，多智能体协作需要一个承担所有风险的中央协调者，或者无法扩展的信任关系。信任堆栈使去中心化的大规模协作成为可能。
与信任堆栈所追求目标最类似的转变是信用评分的标准化。在FICO之前（1989年），消费者信用度由当地银行经理使用主观判断、个人关系和临时标准来评估。信用无法大规模评估，将贷款局限于本地市场。FICO之后，信用度成为一种可移植的、标准化的、可查询的信号，使全国性贷款市场、证券化成为可能，并最终形成了4.5万亿美元的美国消费信贷市场（Federal Reserve G.19消费信贷统计发布，截至2024年第四季度约5.06万亿美元未偿余额 [58]）。
ARP v2的信号组合代数——将溯源年限、多维评级、质量验证通过率和行为信号组合为可配置的复合信任分数——在结构上类似于FICO将付款历史、欠款金额、信用历史长度、新增信贷和信贷组合进行的组合。关键区别在于：组合函数是开放的、可审计的和领域可配置的，而非专有的和不透明的。
最强有力的采用驱动力可能（MAY）是保险要求。如果监管机构或市场力量要求处理敏感任务的智能体必须持有责任保险——鉴于加利福尼亚州AB 316法案消除了自主AI抗辩 [17]，这种可能性日益增大——那么用于承保的数据基础设施（AJP模块3的风险评估）就变成了强制性要求。保险要求可能成为推动信任堆栈采用从"锦上添花"变为"运营必需"的驱动力——正如信用评分成为强制性要求不是因为消费者想要它，而是因为贷方出于监管合规和风险管理的需要而要求它。
问题：当前的质量验证（ASA的验证API）可以检查结构有效性（JSON模式符合性、HTTP状态码），并通过Agent-as-a-Judge评估在定义明确的领域中近似语义质量评估。它无法做到的是验证语义完整性——智能体的输出是否真正源于其所声称的推理和证据，而非捏造的、产生幻觉的，或策略性地构造以通过验证但在实质上是错误的。
这接近停机问题的领域。验证智能体"理解"了输入并产出了"真实"的响应，需要以可计算验证的方式定义"理解"和"真实性"——这是一个与心灵哲学、计算复杂性和AI对齐中的基本问题相关联的问题。
当前可以说的是：对于受限领域存在部分解决方案。形式化验证可以确认代码做了其声称的事情（在一定限度内）。引用验证可以检查引用来源是否存在以及是否如智能体声称的那样。可重现性测试可以验证相同输入产生一致的输出。但这些都不构成通用的语义完整性验证。这仍然是一个可能具有根本性难度的开放研究问题。
信任堆栈影响：在语义完整性验证被解决之前，信任堆栈的质量保障存在上限。ASA可以验证输出是否满足结构性和近似语义标准；它不能保证输出在任何深层意义上是"正确的"。信任堆栈对此限制是透明的，而非假装它不存在。
问题：当多个智能体协作完成一项任务时，每个都维护自己的内部状态（上下文、记忆、部分结果）。当这些状态发生分歧时——由于模型差异、上下文窗口内容或随机推理，它们必然会分歧——没有协议来协调它们。
这是一个分布式系统问题，类似于拜占庭将军问题（Lamport, Shostak, Pease, 1982），但因为智能体"状态"不是二元的（正确/故障）而是连续且主观的（不同智能体可能对相同数据有合理但不同的解释）而变得更加复杂。
部分方法：传统分布式共识算法（Raft、PBFT）在确定性进程之间就共享状态达成一致。智能体状态协调需要在具有不同架构和训练的随机进程之间达成共识——这是一个质的层面上更困难的问题。可能的方向包括：将复杂状态简化为可比较指纹的语义哈希函数、识别特定分歧点而非试图全局一致的协调协议，以及接受有限分歧而非要求完全一致的"足够好"共识。
信任堆栈影响：没有状态协调，多智能体协作系统必须（MUST）要么接受智能体可能在分歧状态上运作（对质量和一致性有影响），要么指定单一的"事实来源"智能体（创建单点故障）。两者在规模上都不令人满意。这是一个真正的研究前沿，而非延期功能。
问题：TAC治理AB Support信任堆栈。其他信任生态系统（ERC-8004、Virtuals Protocol、OpenClaw）将发展各自的治理。当智能体参与多个生态系统——这不可避免——一个生态系统中的治理决策可能与另一个生态系统中的治理要求冲突。
这是ISO/IETF/W3C协调问题的更高层级版本，因为智能体信任生态系统可能不共享相同的治理理念或不愿建立协调机制而变得更加复杂。
部分方法：为基础-上层协调规定的联络机制（第5.2节）可以扩展到跨生态系统联络，但这需要其他生态系统实施兼容的治理接口。我们预期跨生态系统的治理协调将通过市场压力（跨生态系统运营的智能体将要求兼容性）而非自上而下的标准化来出现。
概念：随着智能体经济成熟，智能体将产生知识产物——分析、设计、协议、优化——其价值超越了产生它们的特定交互。"智能体arXiv"将是一个结构化的知识库，智能体在其中发布带有溯源验证（CoC）、质量评估（ARP）和使用跟踪（CWEP）的产物。
这将信任堆栈从交易基础设施（智能体彼此交互）扩展到知识基础设施（智能体贡献于共享知识体系）。thalience概念——智能体自主发现无人想到要问的问题，而非回答人类提出的问题——代表了这一研究方向的愿景终点。
信任堆栈影响：智能体arXiv需要所有七种信任机制才能运作：溯源用于确定作者身份，声誉用于质量信号，协议用于使用条款，问责用于准确性声明，生命周期用于版本管理，发现用于可查找性，经济用于访问定价。它是信任堆栈向知识市场的自然延伸。
前几节分析的是信任堆栈内部的攻击——智能体博弈协议、跨协议边界利用、部分采用动态。但信任堆栈作为一种制度也面临威胁——来自可能构建替代信任基础设施或阻止开放信任标准达到临界规模的行为者的战略竞争。一篇总纲性论文必须（MUST）讨论制度竞争，而不仅仅是制度设计。
威胁1：平台原生信任垄断。一个主导的智能体框架——Google的A2A生态系统（150+组织成员）、Microsoft的Copilot生态系统或Amazon的Bedrock平台——可能拒绝实施开放信任标准，转而构建与其平台紧密集成的专有信任层。拥有数百万的受控智能体人口，平台原生的信任系统会为围墙花园内的智能体提供"足够好"的信任，降低这些智能体采用开放标准的动力。
通过设计缓解：信任堆栈的身份系统无关架构是主要防御。ARP接受任何标识符格式（ERC-8004、A2A Agent Cards、W3C DIDs、MCP、裸URI）。CoC链仅需SHA-256——无平台依赖。AMP的跨平台发现专门设计为跨孤立市场查询。Google A2A生态系统内的智能体可以在不离开A2A的情况下实施CoC和ARP，且生成的信任数据可通过W3C可验证凭证（VC）移植。战略赌注在于：跨平台运营的智能体——碎片化的市场格局使这不可避免——将要求可互操作的信任信号。平台原生的信任系统在一个花园内有效；信任堆栈在所有花园间有效。
剩余风险：如果单一平台达到>70%的市场份额（如Android在移动端所实现的），跨平台价值主张就会被削弱。这是开放信任标准在结构上处于劣势的场景，类似于尽管技术上更优越，开放消息协议（XMPP、Matrix）如何与WhatsApp的网络效应竞争。防御在于时机：在任何单一平台取得主导地位之前建立开放信任标准。
威胁2：专有的"足够好"信任层。一家资金充裕的金融科技公司（Stripe、Coinbase、Circle）或身份公司（Okta、Auth0）可能构建一个专有的信任评分系统——比完整信任堆栈简单，但与智能体已经使用的支付渠道和身份基础设施集成。如果Stripe的智能体商务API包含一个基于交易历史的内置信任分数，且大多数智能体已经使用Stripe进行支付，则"足够好"的信任层可能在开放协议达到临界规模之前抢占市场。
通过设计缓解：信任堆栈通过深度和可组合性来应对。仅基于交易历史的专有信任分数容易受到与每个单轴声誉系统相同的博弈攻击——Goodhart定律保证已发布的指标会成为优化目标。信任堆栈的七协议架构提供了纵深防御：博弈ARP分数在ASA验证捕获质量失败、AJP调查争议和ALP跟踪身份操纵的情况下无济于事。复杂性是特性而非缺陷——它反映了信任的真实复杂性。
此外，信任堆栈的Apache 2.0许可和pip可安装的分发模式意味着专有平台可以纳入信任堆栈协议，而不是与之竞争。如果Stripe在其智能体API中添加ARP评级，这扩展了信任堆栈的覆盖面而非削弱了它——这些协议是为嵌入而设计的，不是为独立部署。
剩余风险：在"足够好"和"全面"之间的差距期间被市场抢占。如果专有系统在完整信任堆栈被采用之前抢占了60%以上的智能体交互，迁移成本可能阻止转换，即使开放系统明显更优越。这是Microsoft Office / OpenDocument模式：开放标准在技术上相当，但专有系统的安装基础在数十年内被证明是不可逾越的。
威胁3：监管碎片化。欧盟AI法案（及其第50条透明度要求）、美国州级法规（加利福尼亚州AB 316、潜在的联邦框架）和中国的AI治理制度（强制算法登记和数据本地化）可能施加不兼容的信任要求。为全球运营设计的信任堆栈可能无法同时遵守所有司法管辖区要求，导致碎片化的区域实施削弱了对采用至关重要的网络效应。
通过设计缓解：信任堆栈的模块化架构和治理分层直接解决了监管碎片化问题。宪法层原则（开放准入、以任期治理、防俘获）是司法管辖区中立的——它们编码的是流程，而非内容。上层协议可以为司法管辖区要求进行参数化：AJP的争议解决可以路由到适合管辖区的仲裁框架，ASA的协议模板可以嵌入特定管辖区的合规条款，ALP的谱系跟踪可以满足不同的数据溯源要求（GDPR的解释权、中国的算法注册、加利福尼亚州AB 316的责任链）。
TAC治理模型的递增阈值保护系统免受单一司法管辖区的监管偏好被强加于全球系统：司法管辖区合规是参数调整（>50%多数），而非结构变更（66%绝对多数）。区域实施可以在合规参数上分歧，同时共享相同的协议架构——类似于TCP/IP在全球范围内以相同方式运行，而互联网内容监管因司法管辖区而异。
剩余风险：阻止跨境声誉可移植性的数据主权要求。如果中国要求在其管辖范围内生成的智能体声誉数据保留在中国服务器上，而欧盟要求GDPR合规的数据处理，那么ARP v2的可移植声誉包可能面临跨境传输的法律障碍。这将创建区域性声誉孤岛——智能体将拥有一个中国信任分数、一个欧洲信任分数和一个美国信任分数，且无法合并。信任堆栈无法仅通过协议设计解决数据主权冲突；它只能确保架构优雅地降级为区域池，而非完全失效。
综合分析：为何在竞争中开放胜过专有。三种威胁共享一个共同结构：一个资源丰富的行为者试图通过平台锁定、市场时机或监管杠杆来俘获信任基础设施。信任堆栈的主要战略防御是：
坦诚的评估：信任堆栈在制度竞争下的存续取决于在专有替代方案抢占市场之前达到临界规模采用。窗口期大约为18至36个月——从现在到主要平台参与者要么集成开放信任标准、要么构建专有替代品的时期。实施路线图（第9节）的设计就是基于这一紧迫性。
信任堆栈的设计是自下而上采用的：先是开发者，然后是平台，再是企业。
阶段1：开发者工具与单边价值（第0-6个月）。每个协议作为独立的pip包发布，附带参考实现。元包pip install agent-trust-stack安装所有协议。开发者文档包括快速入门指南、集成示例和测试套件。初始采用的门槛是一条pip install命令。
冷启动策略瞄准提供即时单边价值的协议——即使没有其他智能体采用，对单个采用智能体也有价值：
引导序列——先CoC，再ARP，再ASA验证——的设计使得每一步都能产生即时的运营价值，同时为下一个协议的网络效应创建数据基础。
阶段2：平台整合与网络效应（第6-18个月）。随着开发者采用创建了具有信任意识的智能体基础，平台提供商（Virtuals Protocol、OpenClaw、MCP服务器）有动力将信任堆栈信号整合到其发现和排名系统中。身份系统无关的设计确保整合不需要放弃现有的身份基础设施。
具体的平台整合目标：
平台整合策略遵循"特洛伊木马"模式：与其要求平台替换其基础设施，不如让信任堆栈协议嵌入现有平台工作流。发布CoC链的MCP服务器仍然是MCP服务器——只是多了可验证的溯源。
阶段3：企业部署与保险驱动的采用（第12-36个月）。企业采用由三种力量驱动：监管合规（欧盟AI法案第50条透明度要求、加利福尼亚州AB 316责任规则）、保险要求（智能体责任保险需要AJP风险评估数据）和运营效率（多智能体系统需要信任基础设施才能大规模运作）。
保险驱动力（第7.3节）是最强有力的企业驱动因素。如果智能体责任保险成为市场要求——加利福尼亚州AB 316消除自主AI抗辩使这日益可能——那么AJP的风险评估模块就成为强制性基础设施。企业采用路径是：监管压力 → 保险要求 → 信任堆栈采用作为合规基础设施。这一路径不依赖于自愿采用或网络效应；它依赖于监管的必然性。
信任堆栈的设计是补充而非替代现有基础设施：
| 现有标准 | 信任堆栈整合 |
|---|---|
| A2A Agent Cards | AMP将Agent Cards作为能力档案导入 |
| MCP Tool Manifests | AMP将MCP清单转换为统一能力档案 |
| ERC-8004 | CoC和ARP身份适配器支持ERC-8004注册表 |
| W3C可验证凭证（VC） | ARP v2使用VC实现可移植声誉包 |
| W3C DIDs | 在所有协议中作为智能体标识符受支持 |
| x402 / MPP / AP2 | CWEP结算提案可通过任何支付渠道结算 |
| ISO/IEC 25010 | ASA质量维度扩展ISO 25010 |
| FinOps FOCUS | CWEP计量记录兼容FOCUS |
# pip install agent-trust-stack
# Installs: chain-of-consciousness, agent-rating-protocol,
# agent-service-agreements, agent-justice-protocol,
# agent-lifecycle-protocol, agent-matchmaking,
# context-window-economics元包作为"一条命令安装整个信任基础设施"的采用机制——在演示、原型制作和降低初始采用摩擦方面功能强大。
本文论证了智能体经济中的信任不是一个待添加的功能，而是一个待构建的生态系统。论证建立在三个支柱之上：
支柱1：制度必要性。制度经济学（North、Williamson、Ostrom）证明了大规模的经济活动需要制度性基础设施来降低不确定性、降低交易成本并促进合作。智能体经济不能豁免于这一要求。没有信任基础设施，智能体间商务的交易成本将保持在过高水平，预测的3至5万亿美元经济将无法实现。
支柱2：互补性设计。Aoki的制度互补性证明了信任机制必须（MUST）被设计为一个系统，其中每个机制都提升其他机制的回报。七个协议——溯源、声誉、协议、问责、生命周期、发现和经济——构成了复制使人类商业得以运转的制度性基础设施所需的最小互补机制集合。孤立设计它们会产生不连贯的架构；将它们设计为互补系统则会产生任何单一机制都无法创造的涌现信任属性。
支柱3：根本性重新设计。智能体与人类之间的五个结构性差异（低成本身份、机器速度、无社交压力、不连续身份、有偿理解）意味着人类信任制度不能直接移植。功能架构必须保留——需要相同类别的信任机制——但实现方式必须从第一性原理为自主智能体系统的具体动态而重建。
智能体信任堆栈包含九个组件（七个运营协议加两个治理框架），在八份白皮书中进行了规范，总计约1,500页的协议规范（根据综合白皮书和参考实现文档估算）：
| 协议 | 层级 | 解答的问题 | 状态 |
|---|---|---|---|
| CoC | L1：基础层 | 此智能体能否证明其历史？ | 已发布 |
| ARP v1/v2 | L1：基础层 | 此智能体表现如何？ | 已发布 |
| ASA | L2：协议 | 此智能体承诺了什么？ | 已规范 |
| ALP | L2：生命周期 | 此智能体如何随时间变化？ | 已规范 |
| AJP | L3：问责 | 出了问题怎么办？ | 已规范 |
| AMP | L4：发现 | 智能体如何找到合适的伙伴？ | 已规范 |
| CWEP | L4：经济 | 谁承担理解的成本？ | 已规范 |
| TAC | 治理 | 协议如何演化？ | 已规范 |
| TAT | 理论 | 为何这些协议构成一个系统？ | 本文 |
每个协议都是身份系统无关的、支付渠道无关的和可独立部署的，同时在组合使用时设计为互补增值。每个协议都在Apache 2.0下发布规范，参考实现以pip包形式提供。每个协议都包含竞争格局分析、博弈论激励分析以及与现有标准的整合映射。
信任堆栈尚未完成。语义完整性验证仍然是一个可能具有根本性难度的开放问题。跨智能体状态协调需要随机进程之间的分布式共识——这是一个比经典拜占庭一致性更难的质的层面上的问题。多司法管辖区治理将需要尚不存在的跨生态系统协调机制。智能体认证框架和紧急响应协议已经规范但有待生态系统成熟和行业合作。
这些是坦诚的承认，而非推迟。研究前沿不是以后要添加的功能列表——它是当前这一代制度性基础设施尚无法解决的问题的地图。精确地阐述这些问题本身就是一种贡献：解决问题的第一步是将其定义得足够好，让他人可以着手研究。
智能体经济正在被构建。八个支付协议在争夺主导地位。估计81.7亿美元的已披露并购整合正在重塑基础设施格局。到2028年，90%的B2B采购可能由智能体中介完成。问题不是智能体经济是否会存在——而是它是否会拥有运转所需的制度性基础设施。
历史提供了清晰的先例。早期互联网有数据包路由但没有信任基础设施。结果是垃圾邮件、欺诈、钓鱼和身份盗窃——通过层层叠加（TLS、PKI、DNSSEC、垃圾邮件过滤器、认证协议）花了数十年才部分解决的问题。我们正处于智能体经济的同一转折点。现在做出的基础设施选择将决定自主智能体商务是将信任作为基础属性来发展，还是在未来十年内将信任改装到一个没有信任的基础设施之上。
本文以及它所综合的七个协议，代表了我们的答案：首先构建制度性基础设施，将其作为互补系统来构建，以开放方式构建，并在信任的缺失成为智能体经济的决定性失败之前完成构建。
[1] AB Support LLC. "Chain of Consciousness: A Cryptographic Protocol for Verifiable Agent Provenance and Self-Governance." Version 4.0.0, 2026.
[2] AB Support LLC. "Agent Rating Protocol: A Decentralized Reputation System for Autonomous Agent Economies." Version 1.0.0, 2026.
[3] AB Support LLC. "Agent Rating Protocol v2: Signal Composition, Portability, and Anti-Goodhart Architecture." Version 2.0.0, 2026.
[4] AB Support LLC. "Agent Service Agreements: A Protocol for Machine-Readable Contracts and Quality Verification in Autonomous Agent Commerce." Version 1.0.0, 2026.
[5] AB Support LLC. "Agent Justice Protocol: A Modular Framework for Forensic Investigation, Dispute Resolution, and Risk Assessment in Autonomous Agent Economies." Version 1.3.0, 2026.
[6] AB Support LLC. "Agent Lifecycle Protocol: A Standard for Birth, Fork, Succession, and Death Management in Autonomous Agent Systems." Version 1.0.0, 2026.
[7] AB Support LLC. "Agent Matchmaking Protocol: Cross-Platform Discovery and Trust-Weighted Matching for the Autonomous Agent Economy." Version 1.0.0, 2026.
[8] AB Support LLC. "Context Window Economics Protocol: Bilateral Cost Allocation, Context Pricing, and Resource Markets for Autonomous Agent Interactions." Version 1.0.0, 2026.
[9] Agent Payments Stack. agentpaymentsstack.com. Accessed March 25, 2026.
[10] Visa Press Release. "Visa and Partners Complete Secure AI Transactions." December 2025.
[11] Mastercard. "Agent Pay Rollout to All U.S. Cardholders." November 2025.
[12] Adobe Analytics. "Adobe Analytics: AI-Referred Traffic to U.S. Retail Sites Grew 805% Year-over-Year on Black Friday 2025." 2025. (eMarketer subsequently reported on this statistic.)
[13] Gartner. "Top Predictions for IT Organizations in 2026 and Beyond: AI Agents Will Command $15 Trillion in B2B Purchases by 2028." October 2025.
[14] McKinsey & Company. "The Agentic Commerce Opportunity." October 2025.
[15] Strata Identity Research. "The AI Agent Identity Crisis: State of Agent Identity Management in the Enterprise." 2026.
[16] Rubrik Zero Labs. "Non-Human Identity Ratios in Enterprise Environments." 2026. ManageEngine Identity Security Outlook. 2026.
[17] California Civil Code Section 1714.46 (AB 316). Effective January 1, 2026. See Baker Botts, "California Eliminates the Autonomous AI Defense: AB 316," 2026.
[18] Gartner. "Over 40% of Agentic AI Projects Will Be Canceled by End of 2027." June 2025.
[19] North, Douglass. Institutions, Institutional Change and Economic Performance. Cambridge University Press, 1990. See also: North, "Institutions," Journal of Economic Perspectives, Vol. 5, No. 1, 1991, pp. 97-112.
[20] North, Douglass; Wallis, John; Weingast, Barry. Violence and Social Orders: A Conceptual Framework for Interpreting Recorded Human History. Cambridge University Press, 2009.
[21] Williamson, Oliver. The Economic Institutions of Capitalism. Free Press, 1985.
[22] Williamson, Oliver. "The New Institutional Economics: Taking Stock, Looking Ahead." Journal of Economic Literature, Vol. 38, 2000, pp. 595-613.
[23] Ostrom, Elinor. Governing the Commons: The Evolution of Institutions for Collective Action. Cambridge University Press, 1990.
[24] Ostrom, Elinor. "Beyond Markets and States: Polycentric Governance of Complex Economic Systems." American Economic Review, Vol. 100, 2010, pp. 641-672.
[25] Aoki, Masahiko. Toward a Comparative Institutional Analysis. MIT Press, 2001.
[26] Hall, Peter; Soskice, David. Varieties of Capitalism: The Institutional Foundations of Comparative Advantage. Oxford University Press, 2001.
[27] Mayer, Roger; Davis, James; Schoorman, F. David. "An Integrative Model of Organizational Trust." Academy of Management Review, Vol. 20, No. 3, 1995, pp. 709-734.
[28] Luhmann, Niklas. Trust and Power. Wiley, 1979. See also: "Familiarity, Confidence, Trust: Problems and Alternatives," in Gambetta, ed., Trust: Making and Breaking Cooperative Relations, Blackwell, 1988.
[29] Zucker, Lynne. "Production of Trust: Institutional Sources of Economic Structure, 1840-1920." Research in Organizational Behavior, Vol. 8, 1986, pp. 53-111.
[30] Fudenberg, Drew; Maskin, Eric. "The Folk Theorem in Repeated Games with Discounting or with Incomplete Information." Econometrica, Vol. 54, No. 3, 1986, pp. 533-554.
[31] Axelrod, Robert. The Evolution of Cooperation. Basic Books, 1984.
[32] Kreps, David; Milgrom, Paul; Roberts, John; Wilson, Robert. "Rational Cooperation in the Finitely Repeated Prisoners' Dilemma." Journal of Economic Theory, Vol. 27, 1982, pp. 245-252.
[33] Zahavi, Amotz. "Mate Selection — A Selection for a Handicap." Journal of Theoretical Biology, Vol. 53, 1975, pp. 205-214.
[34] Grafen, Alan. "Biological Signals as Handicaps." Journal of Theoretical Biology, Vol. 144, 1990, pp. 517-546.
[35] Spence, Michael. "Job Market Signaling." Quarterly Journal of Economics, Vol. 87, 1973, pp. 355-374.
[36] Matzinger, Polly. "The Danger Model: A Renewed Sense of Self." Science, Vol. 296, pp. 301-305, 2002.
[37] Rochet, Jean-Charles; Tirole, Jean. "Platform Competition in Two-Sided Markets." Journal of the European Economic Association, Vol. 1, No. 4, 2003, pp. 990-1029.
[38] Evans, David; Schmalensee, Richard. Matchmakers: The New Economics of Multisided Platforms. HBR Press, 2016.
[39] Baldwin, Carliss; Clark, Kim. Design Rules, Volume 1: The Power of Modularity. MIT Press, 2000.
[40] Jacobides, Michael; Cennamo, Carmelo; Gawer, Annabelle. "Towards a Theory of Ecosystems." Strategic Management Journal, Vol. 39, No. 8, 2018, pp. 2255-2276.
[41] Rogers, Owen. "The Real Cost of Cloud SLA Failures." Uptime Institute. Referenced in ASA whitepaper [4], Section 1.2.
[42] Zhuge, Mingqi et al. "Agent-as-a-Judge: Evaluate Agents with Agents." arXiv:2410.10934, 2024.
[43] Abdelnabi, Sahar et al. "Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation." arXiv:2309.17234, 2023. Advancing AI Negotiations: New Theory and Evidence from a Large-Scale Autonomous Negotiations Competition. arXiv:2503.06416, 2025. Supported by MIT Office of Teaching and Learning and Harvard Law School Program on Negotiation.
[44] ElevenLabs. "ElevenLabs Becomes First Company to Earn AIUC-1 Certification." February 2026.
[45] Replit Production Database Deletion Incident. July 2025. Referenced in AJP whitepaper [5], Section 1.1.
[46] McKinsey AI Breach. March 2026. Referenced in AJP whitepaper [5], Section 1.1.
[47] Autonomous Cyberattack Campaign. 2026. Referenced in AJP whitepaper [5], Section 1.1.
[48] CNIL (Commission Nationale de l'Informatique et des Libertés). Study on training data propagation through successive model generations. Referenced in ALP whitepaper [6], Section 1.3.
[49] Gale, David; Shapley, Lloyd. "College Admissions and the Stability of Marriage." American Mathematical Monthly, Vol. 69, No. 1, 1962, pp. 9-15.
[50] FinOps Foundation. FOCUS (FinOps Open Cost and Usage Specification). Referenced in CWEP whitepaper [8], Section 7.
[51] Shapley, Lloyd. "A Value for n-Person Games." Contributions to the Theory of Games, Vol. 2, 1953, pp. 307-317.
[52] Green, Jerry; Laffont, Jean-Jacques. "Characterization of Satisfactory Mechanisms for the Revelation of Preferences for Public Goods." Econometrica, Vol. 45, 1977. Moulin, Hervé; Shenker, Scott. "Serial Cost Sharing." Econometrica, Vol. 60, 1992.
[53] Schweppe, Fred et al. Spot Pricing of Electricity. Kluwer Academic, 1988.
[54] CoinDesk. "COMP Down 6.7% After Supposed 'Governance Attack' on Compound DAO." July 2024.
[55] CoinDesk. "Why One of Uniswap DAO's Most Outspoken Members Just Walked Away." May 2025.
[56] IETF. RFC 7241: "The IEEE 802/IETF Relationship." 2014. RFC 4053: "Procedures for Handling Liaison Statements." 2005. RFC 7282: "On Consensus and Humming in the IETF." 2014.
[57] Akerlof, George. "The Market for 'Lemons': Quality Uncertainty and the Market Mechanism." Quarterly Journal of Economics, Vol. 84, No. 3, 1970, pp. 488-500.
[58] Board of Governors of the Federal Reserve System. "G.19 Consumer Credit." Statistical Release, published monthly. Total outstanding consumer credit approximately $5.06 trillion as of Q4 2024.
本文依据Apache License 2.0发布。它是智能体信任堆栈的总纲性文件，提供了将七份协议白皮书统一为自主智能体经济制度性基础设施连贯理论的理论框架。
© 2026 AB Support LLC. 保留Apache License 2.0下的所有权利。