架構即政策：將治理編譯到AI堆疊中

在當今的AI系統中，治理往往被視為事後的人為稽核，但Riddhi Mohan Sharma認為，真正的治理應該是一種部署保證。他在重建個人網站Riddhimohan.com時，拒絕採用傳統方法，而是將其視為一個活的基礎設施，並應用了其為企業AI代理設計的治理架構。

該架構的核心是“道德超高速”（Ethical Hyper-Velocity）理念，旨在規模化專業形象的同時，保持企業級的結構完整性。Sharma強調，手動治理在規模化時會失敗，因為人類稽核的速度無法跟上系統的迭代速度。因此，他將治理直接編譯到部署流程中，透過自動化護欄確保每次提交都符合最高標準。

自動化護欄的作用

在這個架構中，每個部署都會經過自定義的自動化治理護欄審計。例如，內容護欄會強制驗證專業宣告，其一致性堪比銀行處理交易的服務。如果舊版標題試圖進入生產環境，護欄會直接阻止管道。這些護欄將後設資料視為具有法律約束力的合同。

Sharma指出，企業面臨的挑戰並非構建代理型AI，而是在超越人類稽核速度的規模上進行治理。他的網站每次構建都會根據Google PageSpeed Insights進行基準測試，桌面效能得分在構建時穩定達到100/100。

從被動監控到主動代理

該架構分為三個階段：第一階段是結構護欄，第二階段將核心網頁指標（CWV）視為物理定律，由具有修復許可權的AI代理強制執行，而非僅僅監控。第三階段則實現操作閉環。

關鍵區別在於：傳統護欄僅發出警報，而代理型護欄會主動介入。例如，當檢測到最大內容繪製（LCP）速度過慢時，AI代理會找到違規的程式碼變更，隔離架構根因，並生成修復方案。部署會被阻止，直到修復執行完畢，通常由代理本身完成。

核心技術構建

該構建基於三個不同的代理角色：

• 觀察者：持續監控執行時和構建時的效能，使用Lighthouse CI、指標庫和Puppeteer。
• 立法者：定義不可協商的閾值，如cwv-guard.mjs和budget.json。
• 修復者（AI代理）：分析迴歸問題並應用修復，利用LLM驅動的差異分析、影像調優API和Next/Image自動化。

具體實現包括：

1. 物理定律層（預提交/預推送）：透過指令碼執行“影子構建”，如果LCP超過1.2秒或CLS大於0.1，則標記為“硬失敗”。
2. 代理修復迴圈：當物理定律被違反時，AI代理獲取Lighthouse JSON報告和當前Git差異，分析根因（例如，新的英雄影像缺少fetchPriority），並生成修復差異。
3. 代理工作流整合：開發者推送程式碼後，觀察者代理執行無頭審計，檢測迴歸，修復者代理評估React元件並生成修復，PR被阻止並附帶說明。

技術影響與驗證

Sharma強調，如果字型子集超出限制一個位元組，網站就會關閉。每一行程式碼都會檢查過時的顏色和可訪問性合規性。所有資產透過絕對路徑預載入以避免雜湊衝突。

該網站透過自動化部署管道的截圖展示了結果：只有每個護欄都透過才能部署到生產環境。桌面效能得分100/100，移動端87/100，可訪問性和SEO均為100/100。移動端調優注重品牌清晰度，透過全保真字型預載入實現零布局偏移。

提出的問題

該工作引發了一些問題：代理修復的可擴充套件性如何？在管理數千個微服務時，LLM驅動的差異分析的計算開銷如何？硬失敗模型是否會在高速CI/CD環境中引入不可接受的摩擦？如何防止代理立法者阻止那些暫時突破舊效能預算的合法架構創新？

此外，該方法不適用於缺乏模組化的遺留單體架構，因為物理定律層可能觸發級聯故障，而當前修復者無法在保障生產穩定性的前提下隔離問題。

結論

Sharma的核心理念是：“停止談論標準，開始自動化它們，然後教會自動化自我修復。”透過將治理編譯到堆疊中，他展示了信任與速度並非權衡，而是可以兼得。該架構目前執行在Next.js 16和turbopack上，樣式使用自定義CSS並帶有可訪問性護欄，治理引擎由自定義Node.js指令碼和LLM驅動。

這篇文章不僅是一個技術案例，更是一種哲學：政策只有被編譯到系統中才能真正執行。