arXiv 2026年10月5日Uber 团队提出 Persona Guardrail，一个面向生产环境的智能体运行时防御框架，通过同步的输入与输出校验强制执行每个智能体的功能边界，并发布 PAGE 基准（2,076 条标注消息，覆盖四个 AgentDojo 域的用户轮与智能体轮）；在 PAGE 非混合子集上，迭代精炼的允许清单把整体准确率从通用 LLM 裁判的 85.7% 提升到 95.9%，域外检测从 57.3% 提升到 93.5%，误放行率从 25.0% 降到 4.7%，同时良性误拦截率基本不变（约 3.6%–3.7%），并已在生产中以低于 100 毫秒的 P90 单次调用延迟预算运行。Uber 团队提出 Persona Guardrail，一个面向生产环境的智能体运行时防御框架，通过同步的输入与输出校验强制执行每个智能体的功能边界，并发布 PAGE 基准（2,076 条标注消息，覆盖四个 AgentDojo 域的用户轮与智能体轮）；在 PAGE 非混合子集上，迭代精炼的允许清单把整体准确率从通用 LLM 裁判的 85.7% 提升到 95.9%，域外检测从 57.3% 提升到 93.5%，误放行率从 25.0% 降到 4.7%，同时良性误拦截率基本不变（约 3.6%–3.7%），并已在生产中以低于 100 毫秒的 P90 单次调用延迟预算运行。Uber 提出 Persona Guardrail：迭代允许清单把智能体越界检测从 57.3% 提升到 93.5%，误放行率降至 4.7%Uber 团队提出 Persona Guardrail，一个面向生产环境的智能体运行时防御框架，通过同步的输入与输出校验强制执行每个智能体的功能边界，并发布 PAGE 基准（2,076 条标注消息，覆盖四个 AgentDojo 域的用户轮与智能体轮）；在 PAGE 非混合子集上，迭代精炼的允许清单把整体准确率从通用 LLM 裁判的 85.7% 提升到 95.9%，域外检测从 57.3% 提升到 93.5%，误放行率从 25.0% 降到 4.7%，同时良性误拦截率基本不变（约 3.6%–3.7%），并已在生产中以低于 100 毫秒的 P90 单次调用延迟预算运行。Uber 团队提出 Persona Guardrail，一个面向生产环境的智能体运行时防御框架，通过同步的输入与输出校验强制执行每个智能体的功能边界，并发布 PAGE 基准（2,076 条标注消息，覆盖四个 AgentDojo 域的用户轮与智能体轮）；在 PAGE 非混合子集上，迭代精炼的允许清单把整体准确率从通用 LLM 裁判的 85.7% 提升到 95.9%，域外检测从 57.3% 提升到 93.5%，误放行率从 25.0% 降到 4.7%，同时良性误拦截率基本不变（约 3.6%–3.7%），并已在生产中以低于 100 毫秒的 P90 单次调用延迟预算运行。