Безопасность
5.3. Соответствие OWASP AISVS
TozheBot: безопасная ОС для ИИ-сотрудников
Версия документа: 1.0
Дата: 2026-10-22
Область оценки: платформа TozheBot, агентный слой, слой безопасности.Целевой уровень: L2 по ключевым категориям (агентная система с доступом к инструментам и чувствительным данным), L1 там, где L2 архитектурно избыточен.
Статус: Активная политика
Модель реализации контролей
В TozheBot контроли AISVS реализуются на трёх уровнях, и в каждом пункте ниже указано, к какому уровню он относится:
- Платформа (Platform) — гарантия, которую TozheBot обеспечивает всем клиентам независимо от их конфигурации: изоляция на уровне проекта, шифрование QuarkDash, входной контроль OGL-Mini, принудительная эскалация, ротация ключей, логирование.
- Тенант (Tenant) — настройка в рамках проекта клиента: какие тулы выданы агенту, какие данные доступны, уровень автономии, пороги эскалации. Платформа задаёт верхнюю границу, клиент выбирает внутри неё.
- Совместно (Platform + Tenant) — контроль обеспечивается платформой, но требует корректной настройки со стороны клиента, и это должно быть задокументировано.
Такое разделение важно для аудита: на вопрос «как вы гарантируете изоляцию» ответ разный для платформенного и тенантского уровня.
Как пользоваться документом
- Уровни AISVS: L1 — базовый, L2 — для систем с чувствительными данными и работой в условиях противника, L3 — для критических систем.
- Статусы: Met — подтверждено артефактом, Partial — контроль есть, но требуется доработка или документирование, Gap — контроля нет, N/A — неприменимо с обоснованием.
- По каждому пункту указаны: уровень, модель реализации (платформа / тенант / совместно), доказательство, статус и что нужно дополнить.
Категория 0. AI Security Governance & Risk Management
0.1. Документированная методология оценки AI-рисков.
Уровень: L1. Модель: Platform.Применимость: применимо. В документации, в разделе соответствия стандартов описаны принципы работы платформе по NIST AI RMF (Govern, Map, Measure, Manage) уже на этапе проектирования.
Доказательство: Внутренний Risk Register + раздел Compliance и Monitoring в панели управления на уровне тенантов.
Статус: Partial.
Дополнить: В разработке отдельный документ «AI Risk Assessment Methodology» с описанием процесса пересмотра.0.2. Политика безопасности AI, пересматриваемая не реже раза в год.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: внутренняя политика ИБ, утверждена 10 октября 2026, техническим директором Neurosell (Расторгуевым Ильей Сергеевичем).Статус: Met.0.3. Роли и ответственность за безопасность AI.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: внутренняя политика ИБ, утверждена 10 октября 2026, техническим директором Neurosell (Расторгуевым Ильей Сергеевичем).Статус: Met.0.4. Соответствие NIST AI RMF или аналогу.
Уровень: L2. Модель: Platform.Применимость: применимо, методология уже заявлена.Доказательство: crosswalk NIST AI RMF → контроли TozheBot.Статус: Partial.Дополнить: Составить crosswalk, можно использовать шаблон NIST AI RMF из ранее обсуждавшихся материалов.0.5. Процесс мониторинга регуляторных изменений (AI Act, ФЗ-152).
Уровень: L2. Модель: Platform.Применимость: применимо для рынков РФ и ЕС.Доказательство: внутренняя политика ИБ, утверждена 10 октября 2026, техническим директором Neurosell (Расторгуевым Ильей Сергеевичем). Регулярный Review регуляторных изменений раз в месяц.Статус: Met.0.6. Управление рисками на уровне тенантских агентов.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо. Клиент создаёт агентов с разным доступом в рамках проекта, и платформа должна обеспечивать, чтобы конфигурация агента не выходила за пределы риск-профиля проекта.Доказательство: механизм ограничения конфигурации агента на уровне проекта. Платформа никогда не дает доступа к любым данным вне тенанта пользователя, изначально архитектура работы с любыми данными даже без использования агентов фильтруется на уровне тенанта. Пользователь при создании или изменении агента может поменять тенант, на котором работает агент.Статус: Met.Категория 2. User Input Validation
Эта категория закрывается в первую очередь библиотекой OGL-Mini: она включает в себя трёхуровневый пайплайн «Эвристики → Мини-классификатор → PII» с задержкой от 10 до 300 мс. Эвристики отсекают zero-width, homoglyph, control tokens и паттерны джейлбрейка; классификатор обучен на OWASP LLM01 S1–S9 и 14+ видах агентных атак.
2.1.3. Все входы, способные управлять поведением модели, считаются недоверенными и проверяются классификатором prompt injection.
Уровень: L1. Модель: Platform.Применимость: полностью применимо. OGL-Mini проверяет все промпты до обработки LLM, независимо от того, какой агент и в каком проекте создан клиентом.Доказательство: код OGL-Mini (этапы heuristics, classifier), логи с полями safe/risk, stage, latency. Система работает в мягком режиме. При первых обнаружениях помечает запрос как "небезопасный", при повторных - полностью ограничивает доступ. Проверки включены для всех коннекторов, виджетов, панели оператора, запросам к инструментам и RAG-документам.Статус: Met.2.1.4. Обнаружение и блокировка попыток переопределения инструкций.
Уровень: L2. Модель: Platform.Применимость: применимо, OGL-Mini детектирует goal hijack и instruction override.Доказательство: датасет Agentic synthetic (22 500 примеров), метрики на валидации. Подробнее про работу классификаторов можно прочитать в репозитории библиотеки.Статус: Met.2.1.5. Адаптивная защита от новых техник prompt injection.
Уровень: L3. Модель: Platform.Применимость: частично. Есть эвристики и модель, но нужен формальный процесс обновления правил.Доказательство: процедура обновления OGL-Mini, версионирование модели.Статус: Partial.Дополнить: Зафиксировать SLA обновления при появлении новых техник атак.2.2.1. Базовая санитизация входа.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: эвристики и классификатор OGL-Mini.Статус: Met.2.3.1. Валидация входа по схеме.
Уровень: L1. Модель: Platform.Применимость: применимо на уровне API.Доказательство: схемы запросов (OpenAPI / JSON Schema). Схемы опубликованы в документации к API:https://tozhebot.ru/api_reference
Статус: Met.2.3.2. Проверка типов и ограничений длины.
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: конфигурация лимитов. базовые лимиты включают 4,000 символов в сообщении, типы данных проверяются на уровне языка (TypeScript) + жесткое фиксирование типов в PostgreSQL + дополнительные валидаторы схем для входных и выходных данных. Пользователь может указывать дополнительные лимиты по количеству сообщений в день и количеству сообщений в памяти истории чата агента.Статус: Met.2.4.1. Контентная фильтрация на запрещённый материал.
Уровень: L1. Модель: Platform + Tenant.Применимость: применимо. Платформа обеспечивает базовый фильтр, клиент может ужесточить политику в рамках проекта.Доказательство: Базовые политики защиты запрещают использование незаконного контента, включая запросы опасных действий, эротического характера, использование оружия или взрывчатых веществ, а также других материалов. Администратор может дополнительно настроить фильтрацию контента на уровне агента.Статус: Met.Категория 4. Infrastructure, Configuration & Deployment Security
Ключевой вклад здесь даёт QuarkDash: гибридный пост-квантовый протокол (Ring-LWE + ChaCha20/Gimli) с forward secrecy, replay protection и автоматической ротацией ключей, не ломающей активные сессии. Также важна изоляция на уровне проекта, описанная в вашей архитектуре.
4.1.1. Изоляция контейнеров и сред выполнения.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: Оркестратор сконфигурирован внутри тенанта и не может выполнить запрос без привязки к конкретному тенанту, поскольку каждый тенант авторизирует запрос через JWT + API ключи. Схемы опубликованы в документации к API:https://tozhebot.ru/api_reference
Статус: Met.4.1.2. Ограничение привилегий в runtime.
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: Манифесты с securityContext, агенты работают только со списком разрешенных инструментов и архитектурно не умеют самостоятельно подключать новые инструменты или MCP-серверы, а также изолированы от прямого доступа в интернет. Привилегии настраиваются пользователем при подключении инструментов посредством настройки Scopes в конкретном случае отдельных сервисов. Также права могут быть ограничены для конкретных пользователей (по ролям и тенантам) и API ключей (по тенантам, выбранным коллекциям данных, CRUD-скоупам).Статус: Met.4.2.1. Безопасность AI-оборудования (zeroing GPU memory между тенантами).
Уровень: L2. Модель: Platform.Применимость: применимо, если используются GPU.Доказательство: Для работы с GPU-памятью на некоторых моделях данные изолируются при помощи технологий Shared-GPU, где в рамках одной vRAM создается изоляция на уровне контейнеризации и виртуализации памяти.Статус: Met.4.3.1. Шифрование данных при хранении и передаче.
Уровень: L1. Модель: Platform.Применимость: применимо. QuarkDash покрывает передачу и хранение чувствительных полей, при этом шифрование полей не ломает валидацию и поиск по базе знаний.Доказательство: протокол QuardDash обладает сильной криптографической стойкостью при высокой скорости работы. Все критичные данные, включая настройки агентов, диалоги, пользовательские данные, данные логов, данные баз знаний шифруются при помощи протокола QuarkDash с динамической ротацией ключей. Подробнее о протоколе:https://github.com/DevsDaddy/quarkdash
Статус: Met.4.3.2. Ротация ключей с учётом активных сессий.
Уровень: L2. Модель: Platform.Применимость: применимо, ротация не ломает сессии.Доказательство: процедура ротации, логирование шифрований. Ротация ключей происходит раз в 24 часа, динамически. Ключи не храняться в менеджере, содержится только данные о соли и других параметров для инициализации сессии при помощи Argon2. Период ротации может быть увеличен для данных, к которым обращения идут реже, однако само по себе шифрование старым ключем, при утечке не даст его распаковать из-за механизма защиты от Timing Attack. Подробнее о протоколе:https://github.com/DevsDaddy/quarkdash
Статус: Met.4.4.1. Управление секретами.
Уровень: L1. Модель: Platform + Tenant.Применимость: применимо. Платформа хранит секреты в защищённом хранилище, клиент управляет секретами своих интеграций в рамках проекта.Доказательство: Vault / secrets manager (отдельная изолированная система на базе кастомного менеджера ключей, специально написанного для QuarkDash), сканирование секретов в коде. Ключи так же являются различными под разные тенанты.Статус: Met.4.5.1. Пост-квантовая готовность.
Уровень: L3. Модель: Platform.Применимость: применимо. QuarkDash закрывает риск «store now, decrypt later».Доказательство: архитектурное описание QuarkDash. Подробнее о протоколе:https://github.com/DevsDaddy/quarkdash
Статус: Met.4.6.1. Изоляция на уровне проекта как граница безопасности.
Уровень: L2. Модель: Platform.Применимость: применимо и критично. Клиенты создают агентов внутри проектов, и изоляция проекта — это базовая граница, которая не должна нарушаться конфигурацией отдельного агента.Доказательство: Архитектура выстроена таким образом, что любые данные изолированы в тенанте и не могут быть выданы в другой тенант. Клиент не сможет ошибиться конфигурацией тенанта при создании или изменении агента, поскольку в системе жестко привязана единая точка смены тенанта в интерфейсе и тенант автоматически выставляется при любом создании любых материалов, включая агентов. Агенты не обладают функциональностью переключения тенантов и не обладают доступом к кастомным тулам для этого.Статус: Met.Категория 5. Access Control & Identity for AI Components & Users
Здесь важно разграничение: платформа задаёт потолок доступных тулов и ресурсов, клиент в рамках проекта выбирает, какие из разрешённых тулов выдать конкретному агенту.
5.1.1. Аутентификация всех действий, инициируемых агентом.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: Агент работает по схеме инициализации запроса через заранее подключенный коннектор (например, внутренний sandbox или виджет для сайта / telegram / discord для публичных агентов) и обращается только к заранее подключенным и настроенным пользователям инструментам и MCP-северам. У агента нет доступа к добавлению или исключению новых инструментов, работа с инструментами строго регулируется дополнительным системным промптом от клиента (или заранее заданными системными промптами для системных инструментов), входные данные проверяются через библиотеку OGL-Mini, так же как и выходные данные. Для всех инструментов валидируется схема данных, включая значения и типы. В некоторых случаях авторизация выполняется посредством зашифрованных через QuarkDash данных авторизации (OAuth или других) для конкрентно выданных разрешений и срока действия.Статус: Met.5.1.2. Детализированная авторизация доступа к инструментам.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо и является ключевым для TozheBot. Клиент создаёт агентов с жёстко предоставленным списком тулов в рамках проекта; платформа должна обеспечивать, чтобы агент не мог вызвать тул вне этого списка.Доказательство: реестр агентов и матрица прав, механизм hard-coded tool list.Статус: Partial.5.2.1. Принцип наименьших привилегий для агентов.
Уровень: L1. Модель: Platform + Tenant.Применимость: применимо. По умолчанию агент не должен получать доступ к тулам, которые не нужны для его задачи.Доказательство: по-умолчанию у агента нет ни одного подключенного инструмента, пользователь сам выбирает список инструментов для работы в любое время.Статус: Met
5.3.1. Контекстно-зависимый доступ (ABAC).
Уровень: L2. Модель: Platform.Применимость: применимо. Правила доступа на основе тенанта, роли, проекта и уровня риска.Доказательство: модель атрибутов.Статус: Partial.Дополнить: описать модель атрибутов и точки enforcement.5.4.1. Уникальная идентификация агентов.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: Agent ID в логах и трассировках.Статус: Met.5.5.1. Управление изменениями прав агента.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо. Клиент может менять список тулов и уровень доступа агента; каждое изменение должно быть залогировано и, при повышении прав, требовать подтверждения.Доказательство: audit log изменений конфигурации агента.Статус: Gap.Дополнить: внедрить логирование изменений прав и политику подтверждения для повышения привилегий.Категория 6. Supply Chain Security for Models, Frameworks & Data
6.1.1. Инвентаризация компонентов (AI-SBOM).
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: AI-SBOM (модели, OGL-Mini, QuarkDash, зависимости).Статус: Partial.Дополнить: собрать SBOM в машиночитаемом формате (CycloneDX).6.2.1. Проверка целостности загружаемых моделей.
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: хеши моделей, подписи. При загрузке новых версий моделей перед их внедрением проверяются контрольные суммы. При несовпадении сумм, остается старая версия модели до момента совпадения хешей.Статус: Met.6.3.1. Оценка сторонних MCP-серверов и тулов.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо, если клиенты подключают свои тулы или MCP.Доказательство: реестр MCP-серверов с оценкой риска, процедура допуска. Все MCP серверы тестируются вручную перед внедрением в Production сервера, включая тестирование на уязвимости, входные и выходные данные также проходят проверку через OGL-Mini. Сторонние MCP используются только официальные от поставщиков.Статус: Met.Категория 7. Model Behavior, Output Control & Safety Assurance
7.1.1. Валидация выходов модели по схеме.
Уровень: L1. Модель: Platform.Применимость: применимо для структурированных ответов.Доказательство: схемы выхода, код валидации.Статус: Partial.Дополнить: указать, для каких типов ответов включена схема.7.2.1. Гардрейлы против вредных выходов.
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: политики безопасности выхода. На выходе блокируются возможные утечки ключей, нежелательных данных через OGL-Mini, включая данные по OWASP 2025/2026 для агентных систем. Статус: Met7.3.1. Детекция галлюцинаций.
Уровень: L2. Модель: Platform.Применимость: применимо, в материалах упоминаются guardrails против галлюцинаций и то, что они не блокируют легитимные запросы.Доказательство: детекция проводится через классификаторы данных, эвристики и JSON-валидаторы, если речь идет о будущей передаче данных на следующий инструмент или API endpoint.Статус: Met7.4.1. Принудительная эскалация как предохранитель.
Уровень: L1. Модель: Platform.Применимость: применимо. Если модель пытается «соединить с оператором», эскалация принудительная, а не опциональная.Доказательство: код тула escalate_to_human, логи эскалаций.Статус: Met.Категория 8. Memory, Embeddings & Vector Database Security
8.1.1. Изоляция памяти и векторных хранилищ между тенантами.
Уровень: L1. Модель: Platform.Применимость: применимо и критично. Клиенты работают в отдельных проектах, и RAG-индекс одного проекта не должен быть доступен агенту другого.Доказательство: схема изоляции RAG по проектам, политики доступа.Статус: Met.8.2.1. Защита от poisoning векторной БД.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо. OGL-Mini фильтрует входные данные до индексации, но клиенты загружают свои документы в рамках проекта.Доказательство: процедура ingestion, фильтры. При подозрении на отравленные данные, пользователь получает запись в лог безопасности для дальнейшей очистки данных.Статус: Met.8.3.1. Предотвращение inversion атак через embeddings.
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: ограничения на выдачу векторных представлений, rate-limit, шифрование векторных представлений в базе знаний, изоляция на уровне тенантов.Статус: Met.Категория 9. Autonomous Orchestration & Agentic Action Security
Эта категория — одна из самых важных для TozheBot. Ключевые контроли: песочница тулов, бюджеты выполнения, принудительная эскалация, ограничение автономии на уровне проекта и агента.
9.1.1. Ограничение глубины и области планирования агентом.
Уровень: L1. Модель: Platform + Tenant.Применимость: применимо.Доказательство: лимиты на рекурсию и число шагов (не более 10-ти шагов, circuit breaker).Статус: Met.9.2.1. Блокировка привилегированных и необратимых действий до явного одобрения человеком.
Уровень: L1. Модель: Platform.Применимость: применимо. Принудительная эскалация на оператора — архитектурный предохранитель.Доказательство: код тула escalate_to_human, логи эскалаций.Статус: Met.9.3.1. Изоляция выполнения инструментов (sandbox).
Уровень: L1. Модель: Platform.Применимость: применимо. Тулы выполняются в изолированной среде, список тулов жёстко задан на уровне проекта.Доказательство: конфигурация sandbox, подробная информация в документации.Статус: Met.9.4.1. Обнаружение зацикливания агента.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: детектор циклов агента (circuit breaker), лимиты на одну операцию, включая эскалацию человека при застревании агента (опциональная возможность в настройках агента).Статус: Met.9.5.1. Идентификация и логирование действий агента.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: Agent ID + action log.Статус: Met.9.7.1. Ограничение автономии агента на уровне проекта.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо и специфично для TozheBot. Клиенты создают агентов с разным уровнем автономии в рамках проекта; платформа должна обеспечивать, чтобы уровень автономии нельзя было обойти через конфигурацию.Доказательство: модель уровней автономии (на платформе задаются правила автономности, жесткие лимиты на использование инструментов), enforcement на уровне платформы. Задачи по расписанию и проактивные действия так же настраиваются отдельно.Статус: Met.Категория 10. Adversarial Robustness & Attack Resistance
10.1.1. Базовое тестирование выравнивания (alignment).
Уровень: L1. Модель: Platform.Применимость: не применимо.Доказательство: пользователь должен самостоятельно проводить тестирование из-за специфики широкого назначения и большого числа разных конфигураций.Статус: Gap.10.2.1. Устойчивость к adversarial-примерам.
Уровень: L2. Модель: Platform.Применимость: применимо. OGL-Mini обучен на современных обфускациях: base64, homoglyph, zero-width, control tokens.Доказательство: датасет Modern obfuscation (14 000 примеров).Статус: Met.10.3.1. Защита от model extraction.
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: rate limiting на API, обработка ввода и вывода через OGL-Mini.Статус: Met.10.4.1. Детекция poisoned входных данных во время инференса.
Уровень: L2. Модель: Platform.Применимость: применимо. OGL-Mini PII-стадия и классификатор.Доказательство: логи risk / stage.Статус: Met.Категория 11. Privacy Protection & Personal Data Management
11.1.1. Анонимизация и минимизация данных.
Уровень: L1. Модель: Platform.Применимость: применимо. OGL-Mini PII-стадия маскирует PII.Доказательство: код PII-стадии, примеры маскировки.Статус: Met.11.2.1. Удаление данных по запросу (right to be forgotten).
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо.Доказательство: процедура удаления из БД, RAG-индекса и бэкапов. Удаление производится как пользователем (в автоматическом режиме), так и по-запросу (в ручном режиме в течении 48-ми часов после запроса).Статус: Met.11.3.1. Управление согласиями.
Уровень: L1. Модель: Platform + Tenant.Применимость: применимо.Доказательство: модель согласий. Описана в документацииСтатус: Met.11.4.1. Ограничение цели использования (purpose limitation).
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо.Доказательство: политика использования данных. Описано в документацииСтатус: Met.Категория 12. Monitoring, Logging & Anomaly Detection
12.1.1. Базовое логирование взаимодействий с моделью.
Уровень: L1. Модель: Platform.Применимость: применимо. OGL-Mini возвращает safe/risk, label, stage, latency.Доказательство: логи генерируются в панели управления, в разделах аналитики и безопасности (мониторинга).Статус: Met.12.1.2. Приватность в логах (редакция PII).
Уровень: L2. Модель: Platform.Применимость: применимо.Доказательство: политика редакции логов.Статус: Partial.12.2.1. Детекция prompt injection и jailbreak в реальном времени.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: алерты на основе OGL-Mini. Порог установлен в 0,85 единиц, первая детекция не блокирует запрос, последующие детекции блокируют диалог.Статус: Met.12.3.1. Мониторинг дрейфа модели.
Уровень: L2. Модель: Platform.Применимость: не реализовано.Доказательство: метрики дрейфа.Статус: Gap.12.4.1. Интеграция с SIEM.
Уровень: L2. Модель: Platform.Применимость: не реализовано.Доказательство: экспорт событий в SIEM.Статус: Gap.12.5.1. Защищённое хранение логов с контролем доступа.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: политика хранения и доступа, определяется внутри тенанта, данные шифруются через протокол QuarkDash.Статус: Partial.12.6.1. Документированный план реагирования на AI-инциденты.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: AI Incident Response Playbook. Отдельно описано в документацииСтатус: Met.12.7.1. Мониторинг аномалий на уровне проекта и агента.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо и специфично для мультитенантной агентной системы. Клиенты создают разных агентов, и аномальное поведение одного агента не должно оставаться незамеченным.Доказательство: правила алертов на уровне проекта и агента.Статус: Partial.Категория 13. Human Oversight, Accountability & Governance
13.1.1. Kill-switch и механизм принудительной остановки агента.
Уровень: L1. Модель: Platform + Tenant.Применимость: применимо. Платформа обеспечивает технический механизм, клиент имеет право остановить агента в своём проекте.Доказательство: реализация kill-switch в одну кнопку через панель управления, либо через один запрос к API, политика доступа.Статус: Met.13.2.1. Чекпоинты с участием человека для высокорисковых решений.
Уровень: L1. Модель: Platform.Применимость: применимо. escalate_to_human — принудительный предохранитель.Доказательство: код и логи эскалаций.Статус: Met.13.3.1. Цепочка ответственности и аудируемость действий.
Уровень: L1. Модель: Platform.Применимость: применимо.Доказательство: логи с operator ID и agent ID и model decision.Статус: Met.13.4.1. Прозрачность конфигурации агента для клиента.
Уровень: L2. Модель: Platform + Tenant.Применимость: применимо. Клиент должен видеть, какие тулы и какой уровень доступа выдан каждому агенту в его проекте.Доказательство: панель управления агентами позволяет выгружать конфигурацииСтатус: Met.