ChatGPT、Codex 和 AI Agent 进入生产环境之后，一个被严重低估的问题正在浮出水面：

AI 能做什么，和 AI 应该被允许做什么，是两件事。

过去我们讨论 AI 编程，讨论的是能力。

模型够不够强。
上下文够不够长。
代码生成够不够准。
任务完成率够不够高。

但当 Codex 开始直接操作代码仓库，当 Agent 开始调用真实工具，当 Plus 级工作流开始连接公司内部系统——能力问题就变成了权限问题。

传统软件的权限模型，不完全适用于 AI

传统系统的权限设计，对象是人。

人能理解规则。
人能预判后果。
人能承担责任。
人有稳定的行为模式。

所以传统权限是静态的：

Role ├── read 读取 ├── write 写入 ├── delete 删除 └── admin 管理

一旦授权，长期有效。

但 AI Agent 不一样。

它不理解规则，它理解的是目标。
它不预判后果，它评估的是路径。
它不承担责任，责任在设计系统的人。
它的行为模式随上下文漂移。

给 Agent 一个静态的 write 权限，等于给一个注意力会分散、判断会波动、但执行速度极快的实习生，一把长期有效的钥匙。

工具权限的颗粒度，应该跟着任务走，不是跟着角色走

更合理的结构是：

TaskPermission ├── task_type 任务类型 ├── allowed_tools 本任务可用工具 ├── scope 作用范围 ├── reversible 是否可回滚 ├── approval 是否需要人工审批 └── expires 授权有效期

写文档的任务，不应该碰数据库。
改样式的任务，不应该碰业务逻辑。
只读分析的任务，不应该有任何写权限。
探索阶段的任务，不应该有执行权限。

权限不再是"你是谁"。
权限是"你现在在做哪件事，这件事做到哪一步了"。

不可逆操作，是权限设计的分水岭

所有工具调用可以分成两类。

可回滚的：
生成草稿。
修改代码但未提交。
创建测试分支。
查询和分析。

不可回滚的：
发送邮件。
删除数据。
发布上线。
对外付款。
提交到主分支。

ChatGPT Pro 处理复杂任务时，最危险的不是犯错。
而是错误以不可逆的方式落地。

所以工程上的原则是：

可回滚区域，尽量放权，让 AI 快。
不可逆边界，必须收紧，让 AI 停。

边界之前，AI 自动执行。
边界之上，人类一键审批。

最小授权不是限制 AI，而是保护系统

很多人担心：权限收紧了，AI 的效率不就下降了吗？

恰恰相反。

权限边界清晰的 Agent，才敢让它自动跑。
审批节点明确的系统，才敢让它进生产。
回滚机制完备的流程，才敢让它处理重要任务。

信任不是来自 AI 永不犯错。
信任来自：犯错的代价被系统设计消化掉了。

模型决定 AI 能走多远。
权限工程决定 AI 敢走多远。

未来优秀的系统设计者，不只是会给 AI 接工具的人。
而是最清楚哪些工具不该接、哪些边界必须存在的人。

能力决定上限。
授权决定底线。