从目标到细分领域，再论：面向智能体 AI 系统的 NFR 模式语言

智能体 AI 系统存在诸多横切关注点——安全性、可观测性、成本管理、容错性——而当前实现方式模块化程度较差，导致 AI 项目实现生产化的失败率居高不下。2004 年在需求工程中提出的目标-细分领域方法论证明明确了，通过识别横切功能目标的非功能软目标，能够系统性地发现面向方面的实现。本文复述并扩展了该方法论，适用于智能体 AI 领域。我们提出包含 12 个可复用模式的模式语言，这些模式按四个 NFR 类别（安全性、可靠性、可观测性、成本管理）进行组织，每个模式均将 i* 目标模型映射到基于 Rust 编程语言的 AOP 框架下的具体方面实现。四个模式解决了传统 AOP 文献中所缺失的智能体特定横切关注点：工具作用域沙箱、提示注入检测、token 预算管理以及动作审计轨迹。我们扩展了 V 图模型，以捕捉智能体任务如何同时贡献于功能目标与非功能软目标。通过对开源自主智能体框架的案例研究，我们展示了目标驱动的方面发现方法如何系统性地识别并模块化横切关注点。该模式语言为通过早期识别横切关注点而构建可靠的智能体 AI 系统提供了原则性方法。