LLM Agent 安全审计新范式：通过加密计算保护用户隐私

该论文针对大语言模型智能体（LLM Agent）在调用工具时可能暴露敏感数据的问题，提出了一种隐私保护的安全审计范式。传统方案需将任务描述、参数和交互历史发送给外部审计方，存在隐私泄露风险；新范式通过将委托的审计计算与明文访问及执行权限分离，实现了在不泄露原始数据的前提下完成安全评估。

研究基于三域审计模型构建了具体框架SealCall，结合学习到的审计表示、基于CKKS的同态加密相似度计算以及绑定到已审计工具调用的执行控制。在1,252个公开二元候选样本上的分组嵌套评估中，SealCall在保留所有明文审计决策的同时达到了0.840的平均F1分数，单次加密评分操作耗时0.176秒。这一结果证明了在引入加密开销的情况下，仍能维持较高的审计准确率。

事实层面，该工作验证了同态加密技术在Agent安全审计中的可行性，并给出了具体的性能指标。推断层面，这种架构可能成为未来企业级Agent部署的标准组件，允许第三方提供审计服务而不必接触核心业务数据。猜测层面，随着合规要求趋严，此类“零知识”或“最小化披露”的审计机制可能会从学术原型转向工业界落地，但具体采用何种加密库及是否支持动态更新仍是未知数。