MasterControl AI Lab 在一篇題為《MasterControl：17次全中》的論文中提出了一種面向企業數據分析的“受治理”方案。該論文於2026年9月2日提交至arXiv，編號為arXiv:2609.03209，歸類於人工智能（cs.AI）。其核心思想是將“理解問題”與“執行分析”徹底分離：大語言模型僅負責解釋自然語言提問的意圖，而一個確定性的策略則從預先批准的分析程序庫中選取合適的程序並執行，最終同時返回分析結果和證據。這種設計的有趣之處在於，它刻意避免讓語言模型在運行時自行生成SQL或拼裝工具調用，從而減少不可控行為，提升企業對安全、審計和復現性的要求。
論文指出，即便加上這樣的限制，該方案在定義好的分析類別內仍有足夠的表達能力。它覆蓋了關係運算、聚合、比較、窗口函數、排序和相似性查詢等常見操作。由於問題的含義、策略、數據和執行規則都是固定的，任何一次請求得到的結果都可以在之後被重新執行和回放，為企業審計和合規提供了基礎。這種思路與當前許多讓模型自由調用工具的智能體形成鮮明對比。
為了檢驗效果，作者設計了一組對照實驗。總共進行了440次運行：其中三個參數量為8B的模型在運行時自行生成SQL並選擇工具，構成330次“運行時規劃”循環；另一組則讓Qwen3-8B僅解釋用户意圖，再由策略執行已經批准的程序，共110次循環。結果顯示，330次運行時規劃沒有任何一次能在全部測試數據集上同時滿足“答案正確”和“附帶證據”的完整契約。反觀策略執行的方案，110次運行全部達到了要求。論文特別強調，這一結論是特定模型、數據集和配置下的結果，不能因此斷言所有形式的運行時智能體在其他設計中都不可能成功。
這項工作為企業在部署大模型時提供了一條值得參考的技術路線，也引發了對“模型自主性邊界”的進一步思考。對於關注可審計AI或企業級LLM應用的讀者而言，這篇論文的發現具有現實的借鑑意義，但也需要謹慎地把它放在具體條件的限制下理解，避免過度推廣。