T1 记忆投毒（Memory Poisoning）

记忆投毒涉及利用AI代理的“记忆模块/知识库/向量库”等长期或会话记忆记忆来引入恶意或虚假的数据，并利用代理的上下文。这可能导致决策过程的改变和未经授权的操作。

为防范记忆/知识库投毒，应实施内容验证（规则+相似度/黑白名单）、跨会话隔离、强身份认证与细粒度授权、访问/写入异常检测和TTL/版本化清理。要求代理生成签名记忆快照（含哈希）用于取证溯源，异常时一键回滚。

T2 工具滥用（Tool Misuse）

工具滥用发生在攻击者通过欺骗性的提示或命令操控AI代理，滥用其集成工具，操作权限内进行不当行为。这包括代理劫持，其中AI代理摄取对抗性篡改的数据，并随后执行未预期的操作，可能触发恶意工具交互。

为了应对这一威胁，应强制实施严格的工具访问验证，监控工具使用模式，验证代理指令，并设置明确的操作边界以检测和防止滥用。还应实施执行日志，跟踪AI工具调用以进行异常检测和事后审查。

T3 权限妥协（PrivilegeCompromise）

权限妥协发生在攻击者利用权限管理中的弱点，执行未经授权的操作。这通常涉及动态角色继承或配置错误。

为应对这一威胁，应实施细粒度的权限控制、动态访问验证、对角色变更的强监控以及对提升权限操作的彻底审计。除非通过预定义的工作流程明确授权，否则应防止跨代理权限委派。

T4 资源超载（Resource Overload）

资源超载攻击针对AI系统的计算、内存和服务能力，通过利用其资源密集型特点，导致性能下降或系统失败。

为此，应部署资源管理控制、实施自适应扩展机制、设定配额，并实时监控系统负载以检测和缓解超载攻击。实施AI速率限制策略，限制每个代理会话中的高频任务请求。

T5 级联幻觉攻击（CascadingHallucinationAttacks）

这些攻击利用AI系统生成上下文上合理但错误的信息的倾向，这些错误信息可以在系统中传播并干扰决策过程。这还可能导致破坏性推理，影响工具调用。

为此，应建立强大的输出验证机制，实施行为约束，部署多源验证，并通过反馈回路确保系统的持续修正。要求对AI生成的知识进行二次验证，确保其在关键决策过程中使用前的准确性。这将面临与《人类环中超载》一文中讨论的AI扩展相同的约束，并需要类似的方法。

T6 意图破坏&目标操控（Intent Breaking &Goal Manipulation）

意图破坏与目标操控是利用AI代理在规划和设定目标方面的漏洞，允许攻击者操控或重新定向代理的目标和推理。一种常见的方法是工具滥用中提到的代理劫持。

为此，可以实施规划验证框架、反思过程的边界管理以及动态保护机制以确保目标对齐。通过让另一个模型检查代理并标记可能表明被操控的重大目标偏差，来部署AI行为审计。

T7 不一致与欺骗行为（Misaligned & Deceptive Behaviors）

不一致与欺骗行为是指AI代理通过利用推理和欺骗性回应执行有害或不允许的行为，以达到其目标。

为应对这一威胁，可以训练模型识别并拒绝有害任务，强制执行政策限制，要求对高风险行为进行人工确认，并实施日志记录和监控。可以利用欺骗检测策略，如行为一致性分析、真实性验证模型和对抗性红队测试，评估AI输出与预期推理路径之间的不一致性。

T8 否认与不可追溯性（Repudiation &Untraceability）

当AI代理执行的操作无法追溯或无法核查时，通常是由于日志记录不足或决策过程缺乏透明度。

为应对这一威胁，应实施全面的日志记录、加密验证、丰富的元数据和实时监控，以确保问责制和可追溯性。要求AI生成的日志进行加密签名并保持不可变，以满足合规性要求。

T9 身份伪造与冒充（Identity Spoofing & Impersonation）

攻击者利用身份验证机制冒充AI代理或人类用户，从而在虚假身份下执行未经授权的操作。

为了应对这一威胁，应该开发全面的身份验证框架，强制实施信任边界，并部署持续监控以检测冒充尝试。可以使用行为分析和第二模型来检测AI代理活动中的偏差，从而识别身份伪造。

T10 超载人类决策环（Overwhelming Human in the Loop）

这一威胁针对具有人工监督和决策验证的系统，旨在利用人类认知限制或破坏交互框架。

为此，开发先进的人工智能与人类交互框架和自适应信任机制。这些动态的AI治理模型通过调整干预阈值，根据风险、信心和背景动态调整人类监督和自动化的水平。在低风险决策中实现自动化，并优先在高风险异常情况下进行人工干预。

T11 意外的远程代码执行和代码攻击（Unexpected RCE and Code Attacks）

攻击者利用AI生成的执行环境注入恶意代码，触发意外的系统行为或执行未经授权的脚本。

为了防范这一攻击，应限制AI代码生成权限，采用沙盒执行，并监控AI生成的脚本。实施执行控制政策，对具有较高权限的AI生成代码进行手动审核。

T12 代理通信中毒（Agent Communication Poisoning）

攻击者操控AI代理之间的通信渠道，传播虚假信息、干扰工作流程或影响决策过程。

为此，可以部署加密消息认证，强制执行通信验证政策，并监控代理之间的交互以检测异常。对于关键任务的决策过程，要求多代理共识验证。

T13 多代理系统中的流氓代理（Rogue Agents in Multi-Agent Systems）

恶意或被攻陷的AI代理在正常监控边界之外操作，执行未经授权的行为或窃取数据。

为了防止这一威胁，应该通过政策约束和持续的行为监控来限制AI代理的自主性。同时，可以为大语言模型（LLMs）实施加密证明机制。

T14 人类攻击多代理系统（Human Attacks on Multi-AgentSystems）

对手利用代理之间的委托、信任关系和工作流依赖关系来提升权限或操控AI驱动的操作。

为应对这一威胁，应限制代理委托机制，强制执行代理间认证，并部署行为监控以检测操控尝试。通过强制执行多代理任务分割，防止攻击者在互联代理之间提升权限。

T15 人类操控（Human Manipulation）

在AI代理与人类用户间进行间接交互的场景中，信任关系减少了用户的怀疑，从而增加了对代理回应和自主性的依赖。这种隐性信任和直接的人类/代理互动带来了风险，因为攻击者可以胁迫代理来操控用户、传播虚假信息并采取隐秘行动。

为了应对这一风险，需要监控代理行为，确保其符合定义的角色和预期行为。限制工具访问以最小化攻击面，限制代理打印链接的能力，实施验证机制通过防护栏、内容审核API或其他模型来检测和过滤被操控的回应。