架构即政策：将治理编译到AI堆栈中

在当今的AI系统中，治理往往被视为事后的人为审核，但Riddhi Mohan Sharma认为，真正的治理应该是一种部署保证。他在重建个人网站Riddhimohan.com时，拒绝采用传统方法，而是将其视为一个活的基础设施，并应用了其为企业AI代理设计的治理架构。

该架构的核心是“道德超高速”（Ethical Hyper-Velocity）理念，旨在规模化专业形象的同时，保持企业级的结构完整性。Sharma强调，手动治理在规模化时会失败，因为人类审核的速度无法跟上系统的迭代速度。因此，他将治理直接编译到部署流程中，通过自动化护栏确保每次提交都符合最高标准。

自动化护栏的作用

在这个架构中，每个部署都会经过自定义的自动化治理护栏审计。例如，内容护栏会强制验证专业声明，其一致性堪比银行处理交易的服务。如果旧版标题试图进入生产环境，护栏会直接阻止管道。这些护栏将元数据视为具有法律约束力的合同。

Sharma指出，企业面临的挑战并非构建代理型AI，而是在超越人类审核速度的规模上进行治理。他的网站每次构建都会根据Google PageSpeed Insights进行基准测试，桌面性能得分在构建时稳定达到100/100。

从被动监控到主动代理

该架构分为三个阶段：第一阶段是结构护栏，第二阶段将核心网页指标（CWV）视为物理定律，由具有修复权限的AI代理强制执行，而非仅仅监控。第三阶段则实现操作闭环。

关键区别在于：传统护栏仅发出警报，而代理型护栏会主动介入。例如，当检测到最大内容绘制（LCP）速度过慢时，AI代理会找到违规的代码变更，隔离架构根因，并生成修复方案。部署会被阻止，直到修复执行完毕，通常由代理本身完成。

核心技术构建

该构建基于三个不同的代理角色：

• 观察者：持续监控运行时和构建时的性能，使用Lighthouse CI、指标库和Puppeteer。
• 立法者：定义不可协商的阈值，如cwv-guard.mjs和budget.json。
• 修复者（AI代理）：分析回归问题并应用修复，利用LLM驱动的差异分析、图像调优API和Next/Image自动化。

具体实现包括：

1. 物理定律层（预提交/预推送）：通过脚本执行“影子构建”，如果LCP超过1.2秒或CLS大于0.1，则标记为“硬失败”。
2. 代理修复循环：当物理定律被违反时，AI代理获取Lighthouse JSON报告和当前Git差异，分析根因（例如，新的英雄图像缺少fetchPriority），并生成修复差异。
3. 代理工作流集成：开发者推送代码后，观察者代理运行无头审计，检测回归，修复者代理评估React组件并生成修复，PR被阻止并附带说明。

技术影响与验证

Sharma强调，如果字体子集超出限制一个字节，网站就会关闭。每一行代码都会检查过时的颜色和可访问性合规性。所有资产通过绝对路径预加载以避免哈希冲突。

该网站通过自动化部署管道的截图展示了结果：只有每个护栏都通过才能部署到生产环境。桌面性能得分100/100，移动端87/100，可访问性和SEO均为100/100。移动端调优注重品牌清晰度，通过全保真字体预加载实现零布局偏移。

提出的问题

该工作引发了一些问题：代理修复的可扩展性如何？在管理数千个微服务时，LLM驱动的差异分析的计算开销如何？硬失败模型是否会在高速CI/CD环境中引入不可接受的摩擦？如何防止代理立法者阻止那些暂时突破旧性能预算的合法架构创新？

此外，该方法不适用于缺乏模块化的遗留单体架构，因为物理定律层可能触发级联故障，而当前修复者无法在保障生产稳定性的前提下隔离问题。

结论

Sharma的核心理念是：“停止谈论标准，开始自动化它们，然后教会自动化自我修复。”通过将治理编译到堆栈中，他展示了信任与速度并非权衡，而是可以兼得。该架构目前运行在Next.js 16和turbopack上，样式使用自定义CSS并带有可访问性护栏，治理引擎由自定义Node.js脚本和LLM驱动。

这篇文章不仅是一个技术案例，更是一种哲学：政策只有被编译到系统中才能真正执行。