AgentLoupe 利用 eBPF 在内核层嵌入语义因果标签以追踪 AI Agent 行为

该论文提出名为 AgentLoupe 的可观测性工具，旨在解决现有方法无法准确归因 AI Agent 延迟执行和跨进程行为的缺陷。其核心机制是通过 eBPF 捕获 TLS 明文以解析大语言模型交互，并将因果身份嵌入内核空间。系统在内核映射中维护语义标签，随后将这些标签沿进程和线程传播，并与文件、套接字等内核资源关联，从而在持久化资源跨越原始血缘线进入独立进程时仍能保留延迟因果链。

实验数据显示，AgentLoupe 的平均观测开销低于 8%。案例研究证实，该工具能够将跨血缘线的持久化攻击追溯至其起源的大语言模型交互。该研究发表于 2026 年 10 月，并被接受为 ACM SOSP 2026 同期举办的第 5 届机器学习系统实用化挑战研讨会（PACMI 2026）论文。

事实层面，该工具基于 eBPF 技术实现应用透明监控，且实测开销控制在 8% 以内。推断层面，这种内核级追踪能力可能成为未来 AI Agent 安全审计的标准组件，特别是针对复杂的多步操作场景。猜测层面，由于依赖 TLS 明文捕获，其在高加密强度或特定网络架构下的普适性仍需进一步验证，且目前仅作为学术原型存在，尚未提及商业化部署计划。