摘要： 自主智能体（Agentic AI）跨越信任边界的速度，已远超现有风险模型的表征能力。当前方法仅能提供两种局部视角：要么描述故障机制却无法生成可迁移的残余风险估计，要么生成风险估计却将内部故障路径视为黑箱。我们通过提出 CPSAINT 框架将这两种视角耦合起来——该框架包含一个七层完整性分解结构（物理状态、传感器、数据、计算、执行器、环境与时间），并搭配 FRIESA-K 残余风险函数，将每条故障路径映射为量化的风险实例。FRIESA-K 将阻力项 K 建立在受控吸收马尔可夫模型之上，从而使控制有效性源自状态动力学，而非被赋予非正式评分。最终成果是一条从机制到量级的简洁管道，适用于具有韧性的自主与具身智能体（embodied AI）。我们通过一个独立的附加惩罚项来实现治理可观测性，而非将治理作为新变量插入阻力函数中。我们形式化了结构可组合性，将有效故障路径与定义明确的风险实例相连接，并在两个对比场景（硬实时仓库机器人及受治理约束的金融服务智能体）中展示了该框架。在这两个案例中，相同的层级语法、变量语义及动态阻力构建均保持不变。由此，我们获得了一个紧凑的核心框架，支持跨领域推理、显式假设以及可组合信任的量化有据形式化体系。