智能体系统的评审风险清单讨论“智能体系统的评审风险清单”时最容易出现的偏差是先给方案再补问题定义。模型推理与工具调用链路里同一个实现放到不同负载、不同依赖版本或不同操作路径下结果可能完全不同。更稳妥的起点是把目标、限制和失败后的处理写清楚让评审者知道哪些结论已经验证哪些只是暂时判断。先把范围说清楚先把范围落到纸面。输入至少应说明系统指令、用户输入、检索片段、模型版本和工具参数输出要写明成功、部分成功、拒绝和超时分别是什么。责任边界也要能指向具体模块而不是用“系统自动处理”带过。这里尤其要确认模型负责判断与生成程序负责权限、校验、执行和结果留痕。范围一旦含糊后面的容量数字、接口设计和测试结果都没有可比性。评审要沿着状态变化走代码走查从入口开始追踪每个外部输入经过了哪些校验状态在哪里创建、共享与释放副作用是否可能重复。看到重试、缓存、异步回调和全局对象时要继续追问生命周期。安全与正确性不能依赖调用方“应该这样用”。对模型推理与工具调用链路而言提示注入、无界重试、虚构参数、过期上下文覆盖新指令以及越权调用都是应当单独验证的路径。用失败样例检验方案质量门槛最好由可执行检查支撑静态分析负责确定性规则单元测试覆盖局部状态集成测试验证依赖边界人工评审处理业务语义。规则需要给出修复提示也允许有理由的例外。评审记录写清触发条件和影响不用“有风险”“建议优化”这种无法复现的结论。观测项不要贪多先保证模型延迟、上下文长度、工具调用次数、结构化输出失败与人工接管原因能够按一次任务串起来。具体做法是用正常请求、含糊请求和恶意输入分别回放检查每一步采用了什么上下文、为何调用工具。若结果与预期不符先保存现场再缩小输入或关闭最近的变更直接反复重启常会把最有价值的状态清掉。评审时把问题问具体评审者可以顺着一条任务连续追问输入来自哪里谁验证它状态由谁持有外部调用有没有超时重复执行会不会产生第二份副作用任务取消后资源何时释放。回答必须能落到代码、配置或测试记录。若答案只是“框架会处理”或“通常不会发生”就继续查到真正承担责任的那一层。还要检查运行条件变化后的行为。依赖变慢、数据量增加、权限收紧或进程重启时系统是否仍给出可理解的结果提示注入、无界重试、虚构参数、过期上下文覆盖新指令以及越权调用出现后操作者能否仅凭关联标识定位一次任务并判断应该重试、补偿还是停止这些问题比笼统评价方案是否先进更接近交付风险。交付时留下可复查的记录把检查结果写成“条件—动作—证据”会更实用在什么条件下触发什么处理去哪里查看结果。尚未覆盖的场景直接列出不必用乐观结论填满结尾。这样智能体系统的评审风险清单才能进入发布、值班和复盘流程而不是停在一次讨论里。