MasterControl AI Lab 在一篇题为《MasterControl：17次全中》的论文中提出了一种面向企业数据分析的“受治理”方案。该论文于2026年9月2日提交至arXiv，编号为arXiv:2609.03209，归类于人工智能（cs.AI）。其核心思想是将“理解问题”与“执行分析”彻底分离：大语言模型仅负责解释自然语言提问的意图，而一个确定性的策略则从预先批准的分析程序库中选取合适的程序并执行，最终同时返回分析结果和证据。这种设计的有趣之处在于，它刻意避免让语言模型在运行时自行生成SQL或拼装工具调用，从而减少不可控行为，提升企业对安全、审计和复现性的要求。
论文指出，即便加上这样的限制，该方案在定义好的分析类别内仍有足够的表达能力。它覆盖了关系运算、聚合、比较、窗口函数、排序和相似性查询等常见操作。由于问题的含义、策略、数据和执行规则都是固定的，任何一次请求得到的结果都可以在之后被重新执行和回放，为企业审计和合规提供了基础。这种思路与当前许多让模型自由调用工具的智能体形成鲜明对比。
为了检验效果，作者设计了一组对照实验。总共进行了440次运行：其中三个参数量为8B的模型在运行时自行生成SQL并选择工具，构成330次“运行时规划”循环；另一组则让Qwen3-8B仅解释用户意图，再由策略执行已经批准的程序，共110次循环。结果显示，330次运行时规划没有任何一次能在全部测试数据集上同时满足“答案正确”和“附带证据”的完整契约。反观策略执行的方案，110次运行全部达到了要求。论文特别强调，这一结论是特定模型、数据集和配置下的结果，不能因此断言所有形式的运行时智能体在其他设计中都不可能成功。
这项工作为企业在部署大模型时提供了一条值得参考的技术路线，也引发了对“模型自主性边界”的进一步思考。对于关注可审计AI或企业级LLM应用的读者而言，这篇论文的发现具有现实的借鉴意义，但也需要谨慎地把它放在具体条件的限制下理解，避免过度推广。