AI 安全是一项工程问题：在智能体技术栈的每一层加以解决
核心概要
本文主张 AI 安全应作为工程问题处理，即需要明确的安全需求、可强制执行的管控、具名的责任人和防护有效的证据，并提出安全取决于整个智能体技术栈（模型、harness、运行时环境）各层的协同，介绍了 NVIDIA OpenShell 这一开源安全运行时及其在 Open Secure AI Alliance 伙伴中的集成，以及 CrowdStrike SafeMind、Palo Alto Networks Prisma AIRS、Capital One VulnHunter、ReversingLabs Spectra Assure 等防御工具示例，强调开放共享失败证据与验证方法以加速防御方优势。
深度剖析
提出 AI 安全是工程问题，需要明确的安全需求、可强制执行的管控、具名责任人和防护有效的证据。 将传统安全职责（建立身份、控制访问、限制暴露、验证防护有效）映射到 AI 智能体的新运行条件，强调在智能体做出错误决策时安全边界仍须成立。 本文为观点性文章，以客户记录更新场景为例说明网络策略应阻止未授权数据传输、受保护日志应记录工具调用与授权决策，未提供实验数据或量化结果。
安全取决于整个智能体技术栈，模型、harness 和运行时环境各层都承担安全责任，需要跨层控制。 把 AI 智能体视为对既有应用依赖（代码、数据、身份、服务、基础设施）的扩展，指出运行时环境必须独立于智能体推理，对文件、网络目的地和进程施加限制。 以场景推演和架构描述为主，未给出跨层控制的实测效果。
介绍 NVIDIA OpenShell 开源安全运行时及生态集成，并列举防御工具示例。 OpenShell 在智能体触及范围之外强制执行策略并提供沙箱执行；Cisco DefenseClaw 增加治理层，JFrog 集成 OpenShell 以扫描验证智能体技能并执行技能访问策略；CrowdStrike SafeMind 通过重复攻击模拟测试防御，Palo Alto Networks Prisma AIRS 提供持续红队测试，Capital One VulnHunter 用于 AI 代码安全，ReversingLabs Spectra Assure 用于软件包恶意软件与篡改分析。 为产品与项目介绍，未提供独立评测或对比数据。
工程团队需要安全证据，包括部署前测试、具名责任人决策、失败复现与修复验证，并将发现转化为可重复测试。 把测试范围明确为阻止越权获取凭证、向未授权目的地发送敏感数据、更改权限或干扰监控，并要求在模型、工具或工作流发生重大变化后重复测试。 以流程建议和示例工具说明为主，未给出测试通过率或修复效果数据。
启示与展望
本文面向需要部署 AI 智能体的工程与安全团队，适用于希望将既有安全原则落地到智能体技术栈的组织；其建议以工程流程、运行时管控和测试证据为核心，适合作为安全需求定义与工具选型的参考框架。
文章未提供量化测试结果、独立评测或失败案例数据，读者可能关注这些管控在真实部署中的有效性证据；此外，文中提及的工具与联盟集成细节有限，其实际覆盖范围和成熟度有待进一步了解。