03大创申报方向

DeployPilot

让 Agent 的执行,有边界、可追溯

基于已有工程原型,研究自动化运维中的任务约束、动态权限与自适应恢复。

MCP自动化运维Agent 安全
DeployPilot 自动化运维项目标志
研究与产品 / 03
当前阶段已有工程原型 · 深化研究
已对接指导教师陈阳老师
项目类型大创申报方向
OVERVIEW

我们在探索什么

当 AI Agent 参与部署与基础设施操作,执行是否符合计划、权限是否适当,以及失败后如何恢复,都会影响任务的可靠性。

DeployPilot 围绕 MCP 协议探索 AI 开发工具与基础设施之间的连接,并在已有工程原型上,进一步研究自动化任务中的可控性与可解释性。

01EXPLORATION

四项重点工作

结构化计划与偏差检测

探索将任务转化为结构化执行计划,识别实际操作与目标或约束之间的偏差。

基于上下文的权限约束

结合任务与环境动态约束工具调用范围,研究如何识别和拦截超出授权边界的操作。

故障分级与自适应恢复

区分失败类型,研究重试、恢复、调整计划及人工介入等决策方式。

可审计的执行过程

关联记录计划、工具调用、结果与恢复过程,支持问题分析与事后检查。

02EXPLORATION

在典型运维场景中验证

计划开展对比实验,评估任务成功率、执行效率、越权拦截率与故障恢复能力。

03EXPLORATION

持续迭代的开发基础

自 2026 年 4 月起持续推进开发。截至 2026 年 11 月阶段性记录,项目仓库累计约 530 次提交、347 个已合并 Pull Request。

说明

提交与 Pull Request 数量反映仓库开发活动,不等同于个人独立完成的工作量。

NEXT EXPLORATION / 下一个项目

StarByte OA

让组织协作,适应变化