2026 年，Agent 框架（OpenClaw 等）大规模走入企业生产，攻击面横跨模型、框架、运行环境三层——记忆投毒、工具滥用、身份越权、沙箱逃逸接踵而至，单层切片的传统检测工具已无法覆盖。支付宝的解法是用 Agent 检测 Agent。本演讲分享从「人工审计」走向「智能化自主检测」的生产实践：如何构建 Agent 风险大图、如何构建漏洞检测 harness、如何让领域记忆驱动自进化、如何进行评测。

演讲提纲：

1. 问题：Agent 攻击面横跨全栈，旧地图失灵
   • 复合风险： 模型、框架、运行环境三层叠加，跨层级联放大攻击面
   • 旧地图失灵： 从攻击路径系统性建模，把离散风险收敛为可治理结构
2. 解法：构建 Agent 漏洞挖掘 harness 环境
   • 静态切面： harness 聚拢框架代码、Dockerfile 与工具配置，挖洞 Agent 一站扫描静态攻击面
   • 动态切面： harness 暴露模型 IO、工具调用与沙箱运行时，红队 Agent 注入对抗输入复现可利用性
3. 演进：记忆驱动的自进化
   • 新瓶颈： 上线后质量触顶，差距在于对企业上下文（业务语义、组织权限、历史漏洞）的理解
   • 长期记忆： 每次确认与排除固化为安全知识与记忆资产，长期越用越懂业务场景
4. 度量：让 Agent 可信落地
   • 评测重定义： 精度之外，加入稳定性、可解释性、对抗鲁棒性，全面量化可信度
   • 双向闭环： 对外是生产准入门槛，对内是记忆反馈信号，驱动 Agent 持续进化

听众收益：

• Agent 跨层攻击面与威胁建模方法
• 漏洞挖掘 harness 与领域记忆驱动自进化的工程实践
• 多维可信评测与双向闭环的生产落地标准