Agent 安全攻击面分析：风险图谱与防御实践 随着 LLM Agent 从实验室走向生产环境，其安全问题已经从"理论担忧"变成了"现实风险"。2026年，多起 Agent 系统被攻击或滥用的案例表明： Agent 的能力越强，攻击面越大 。本文系统梳理当前 Agent 系统的核心攻击面，提供可操作的防御建议。 一、为什么 Agent 系统攻击面比普通 LLM 大得多？ 传统 LLM 的交互模式是"输入 → 输出"，攻击面相对集中（Prompt 注入、Jailbreak 等）。但 Agent 系统引入了几个新维度： 多步推理与工具调用 ：Agent 需要调用外部工具（搜索、代码执行、API），每一步都是潜在的攻击入口 长期记忆与状态管理 ：Agent 持有对话历史、用户偏好、甚至业务上下文，泄露风险成倍增加 多 Agent 协作 ：多个 Agent 共享知识库、互相调用——一个 Agent 被攻破可能波及整个系统 自主行动能力 ：Agent 在授权范围内自主执行操作，攻击成功的破坏力更大 用一...