Agent-BOM：為代理系統打造的統一稽核語意圖

Agent-BOM：縮短語意落差的稽核架構

大型語言模型（LLM）驅動的代理系統透過動態工具調用、狀態記憶與多代理協作來執行複雜任務，但語意層與低層物理事件之間存在顯著落差，讓事後安全稽核變得困難。

為了解決此一斷鏈，論文提出 Agent-BOM，將代理系統表示為分層屬性有向圖。架構把靜態能力基底（例如模型、工具與長期記憶）與動態語意狀態（如目標、推理軌跡與實際行動）分離，並以語意邊與安全屬性相連，將分散的執行痕跡轉換為可查詢的稽核路徑。

基於 Agent-BOM，研究者提出以圖查詢為核心的路徑級風險評估範式，並以 OWASP Agentic Top 10 作為風險類別的實例化。實作方面，他們在 OpenClaw 環境開發稽核外掛，能從實際執行中建構 Agent-BOM。

評估結果顯示，Agent-BOM 能重建多種隱蔽攻擊鏈，包括跨會話記憶污染、工具誤用、能力供應鏈挾持、多代理生態被濫用，以及權限與信任的濫用等情境。研究認為，Agent-BOM 為代理系統提供一個統一且可稽核的基底，便於根因分析與安全裁決，協助發現複合性風險的傳播路徑。

延伸閱讀

• Patch2Vuln：以語言模型結合 Ghidra/Ghidriff 從 Linux 二進位重建補丁語意
• SAFE：以 LLM 情境化靜態分析評估公開研究工件的安全風險
• PEB 基準：量化授權受限證據對企業代理式人工智慧結果完整性的影響

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。