自适应或预测性技术在动态环境中的应用是复杂的，尤其是在存在安全责任或对即将遭遇的情况存在不确定性且可能无法测试时。随着自动化应用日益增多，确实需要就基本概念达成共识，以允许生态系统使用开放架构并成功集成。此外，许多攻击者，特别是非对称对手或恐怖势力，其风险责任观与常规部队不同，而人工智能在战场上的应用正在增加。这可能涉及那些对旁观者和预期不受影响的民众尊重程度较低的参与方。尽管如此，并非所有人工智能方法都是相同的，有些方法的创造潜力或大或小，且测试难度各异。有些人工智能方法具备机器学习能力，有些则没有；同时，有些方法具备更高的认证潜力，有些则较低。除此之外，某些方法在针对机器而非人类的攻击中也具有更强的故意欺骗潜力。有人可能认为，人工智能的“智能”程度低于其名称所暗示的，或许在某些方法中被视为一种具有人工智能表象的多维优化过程，而在其他方法中则被视为对人类经验和知识的替代性捕获，然后在不理解的情况下于存疑领域生搬硬套地运用。尽管人工智能已取得重要进展，但通用智能的目标仍然遥远。本文的动机在于建立一系列概念，为理解开放架构做好准备，这些架构允许应用、服务和智能体组成的生态系统在其中部署。因此，环境的复杂性可以通过条件约束模型来辅助应对。本文提出了类似OODA循环和杀伤链阶段的结构作为应用框架，即作为任务线索，结合不同的人工智能方法，在约束条件下进行有用的自适应或预测性运用，作为一个严格的控制框架，负责任地以正确的意图应用正确的方法，并且这些任务线索为战役目标的不同应用人工智能方法提供结果约束。这有助于将结果限制在相称反应的范围内，并使其能够在一个可靠的系统中受到约束，力求实现战役目标，此外，它还促进了共识的达成。