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資料分析的“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，歸類於人工智慧（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式庫中選取合適的程式並執行，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執行時自行生成SQL或拼裝工具呼叫，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、視窗函式、排序和相似性查詢等常見操作。由於問題的含義、策略、資料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呼叫工具的智慧體形成鮮明對比。
為了檢驗效果，作者設計了一組對照實驗。總共進行了440次執行：其中三個引數量為8B的模型在執行時自行生成SQL並選擇工具，構成330次“執行時規劃”迴圈；另一組則讓Qwen3-8B僅解釋使用者意圖，再由策略執行已經批准的程式，共110次迴圈。結果顯示，330次執行時規劃沒有任何一次能在全部測試資料集上同時滿足“答案正確”和“附帶證據”的完整契約。反觀策略執行的方案，110次執行全部達到了要求。論文特別強調，這一結論是特定模型、資料集和配置下的結果，不能因此斷言所有形式的執行時智慧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。