AI 代理越来越多地收集证据、调用工具、应用约束并产生决策，这些决策可能被人或软件执行。仅凭最终输出无法追溯产生它的证据、工具状态、规则、授权或行动路径。
为此我们提出 DNative‑Twin，一个图原生的数字孪生。它把一次已提交的代理决策记录为带类型的轨迹，并在声明的条件下重新执行决策机制。图结构把代理观察到的状态、所走的路径以及背后授权关联起来。
孪生同步这些信息，在隔离环境中回放机制，并在受控变化下进行对比。我们在企业决策流程中实现了该框架，使用三个公开的过程日志和受控回放套件进行验证。
实验发现一个具体的局限：图结构能够定位已表示的变化，却无法判断未观测到的工具状态的后果。 在一次包含 300 条注入实例的三条件对照实验中，加入回放合约状态后未解决分歧的召回率从 0 提升到 0.667，进一步加入验证结果后提升到 1.0；留出集未出现关键类别实例。
在 500‑5000 条 BPI 2020 案例上，端到端的中位耗时从 0.794 秒升至 8.889 秒。结果将图结构、回放上下文和验证证据的作用区分开来，为审查决策机制提供了细粒度的依据。
点评：DNative‑Twin 展示了通过图化数字孪生实现决策可追溯与可重演的可能，为监管和调试复杂 AI 代理提供了实用工具，但仍需解决未观测工具状态的推断问题。