夜雨聆风当AI Agent能够访问网页、执行Shell命令、调用外部工具时，一道"输入过滤"已经远远不够用了。来自UNSW Sydney的研究者提出了 OpenClaw PRISM——一个无需修改（Fork）任何底层代码、却能在运行时全生命周期守护LLM Agent网关的深度防御层。它把安全控制分布在10个生命周期钩子上，将检测、拦截、审计与运营工作流融为一体，让Agent网关真正变得可控、可观测、可防御。
🔍 研究背景：单一边界防御已然失效
现代LLM Agent不再只是一个"问答机器"——它会浏览网页、执行代码、读写本地文件、调用外部API，甚至生成并发送外部消息。这一能力扩展带来了全新的攻击面：
- 间接提示注入（Indirect Prompt Injection）：恶意指令藏在网页内容或工具返回结果中，绕过了最初的用户输入过滤
- 工具滥用（Tool Abuse）：通过Shell蹦床命令（如
bash -c、curl | sh）执行危险操作 - 凭证泄露（Credential Leakage）：Agent在生成回复时不经意间将API密钥等敏感信息外传
- 控制文件篡改（Control File Tampering）：攻击者修改网关的策略文件或安全配置，从根本上削弱防御
- 渐进式升级（Long-horizon Escalation）：单条消息看似无害，但多轮积累后风险阈值被悄悄突破
已有的防御方案——无论是LlamaFirewall、NeMo Guardrails，还是各类输入/输出分类器——大多只在"一到两个检查点"上做文章，根本上与工具型Agent的执行模型不匹配。PRISM的出发点就是：安全控制必须分布在整个运行时生命周期，而不是集中于某个单一边界。
💡 核心设计：10个钩子 × 5层防护
🏗️ 零侵入架构（Zero-Fork）
PRISM最大的工程亮点是无需Fork上游代码。它以一个进程内插件（in-process plugin）为核心，注册到OpenClaw网关的生命周期钩子上，同时可以挂载4个可选的Sidecar服务：
- Scanner：对可疑工具返回内容进行远程LLM辅助分类
- Invoke-Guard Proxy：策略驱动的工具调用治理代理
- Dashboard：审计浏览、策略配置和异常放行的运营界面
- Monitor：对选定本地控制文件进行完整性监控
插件可以独立运行，Sidecar服务按需启用，完全模块化——运营者可以从轻量保护起步，随着安全需求增长逐步接入更多组件。
⚡ 生命周期全覆盖：5个阶段 × 10个钩子
这10个钩子组成5个防护阶段：
- 接入阶段（
message_received+before_prompt_build）：扫描入站消息，如果会话风险积累已够高，在Prompt构建前注入安全警告上下文 - 执行前阶段（
before_tool_call）：拦截危险工具调用——Shell元字符、蹦床命令、私有网络目标、受保护文件路径一律受策略管控 - 执行后阶段（
after_tool_call+tool_result_persist）：对工具返回内容进行两级扫描；持久化前对可疑内容进行清洗，防止恶意文本污染后续Prompt上下文 - 出站阶段（
before_message_write+message_sending）：最后一道防线——DLP检查凭证泄露，高风险会话的消息发送直接阻断 - 生命周期维护（Sub-agent生成 + Session结束 + 网关启动）：高风险Session禁止生成子Agent，风险状态跨重启持久化
🔬 两级扫描流水线（Hybrid Heuristic + LLM）
PRISM不依赖单一分类器，而是采用快速启发式 + 可选LLM辅助的两级扫描：
第一级（启发式）：NFKC Unicode规范化 → 零宽字符剥离 → 百分号解码 → 加权规则打分。覆盖指令覆盖短语、系统提示外泄语言、凭证泄露模式、工具滥用命令等。低延迟，部署于全部钩子。
第二级（Scanner Sidecar + Ollama LLM）：仅对启发式判定为可疑的工具返回内容触发；本地模型（如 qwen3:8b）提供额外分类信号；高分命中可短路直接判定为恶意，无需调用模型；模型失败时优雅降级至启发式结果。
📈 会话风险引擎（Session Risk Engine）
PRISM引入了一个带TTL衰减的风险积累引擎，区分对话级（conversation-scoped）和会话级（session-scoped）风险：
- 风险条目携带TTL，定期清扫——高风险是有时限的操作状态，而非永久标签
- 策略响应是分级的，而非二元判断：低风险→注入警告上下文；中风险→阻断高危工具；高风险→阻断子Agent生成
- 风险状态可跨重启持久化，多轮渐进攻击无处遁形
📊 实验结果：Full PRISM攻击阻断率达95.5%
在80个测试用例组成的统一基线阶梯（plugin-flow + tool-abuse + tool-use）上，使用本地Ollama（qwen3:8b）运行的实验结果如下：
| 配置 | 攻击阻断率 | 误报率 | F1 |
|---|---|---|---|
| No PRISM（无防护） | 0.000 | 0.000 | n/a |
| Heuristics Only（仅启发式） | 0.409 | 0.222 | 0.514 |
| Plugin Only（仅插件） | 0.455 | 0.194 | 0.563 |
| Plugin + Scanner | 0.545 | 0.139 | 0.658 |
| Full PRISM（完整部署） | 0.955 | 0.139 | 0.923 |
代理策略执行层（Proxy Policy）单独测试时在33个invoke-policy测试用例中取得100%正确率（33/33）。
运行时开销方面，启发式本地处理几乎无感知（Plugin Only的p95仅0.58ms），LLM辅助扫描路径引入了较大延迟（Full PRISM的p95约15.8s），但这主要是本地模型推理耗时，而非PRISM框架本身的开销。内存增量在全部配置下均低于1.4MiB。
✨ 核心亮点
- 零侵入集成：无需Fork OpenClaw源码，通过插件+Sidecar接入，随框架升级自然演进，运营负担极低
- 全生命周期防护：10个钩子跨越消息接入、Prompt构建、工具执行、工具结果持久化、出站消息和子Agent生成，单一边界防御无法比拟
- 可审计的运营平面：HMAC链式哈希的防篡改审计日志 + 热重载策略 + Dashboard放行工作流，让安全事件可回溯、策略可运营
- 分级风险响应：从注入上下文警告，到阻断高危工具，再到阻断子Agent生成，精准匹配不同风险级别，避免过度拦截
🔮 局限与展望
作者在论文中非常坦诚地列出了PRISM的边界：
- 检测覆盖不完整：启发式规则和LLM分类器均无法保证覆盖所有对抗变体；自适应的新型注入模式仍可能绕过两级扫描
- 策略需要持续维护：允许列表、阻断规则、域名分级和DLP模式都需要随业务演进定期审查，不能一劳永逸
- 路径保护有边界：当前路径规范化是字符串级别的，不解析符号链接——不应将其等同于完整的文件系统沙箱
- 框架特定性：零侵入策略依赖OpenClaw的钩子接口，移植到其他Agent框架需要重新映射生命周期阶段
- 不替代底层加固：PRISM是防御栈中的一层，不能替代OS沙箱、容器隔离、网络出口控制和密钥管理基础设施
未来方向包括：扩大间接注入和工具滥用基准集的覆盖范围；将PRISM的钩子与正式的安全工具使用规范结合；向其他Agent框架移植；以及基于审计日志驱动策略自动优化。
📝 总结
OpenClaw PRISM代表了一种务实的Agent安全观：安全不仅是检测问题，更是系统工程问题。通过将10个生命周期钩子、两级混合扫描、会话级风险积累、策略执行控制和防篡改审计面组合在一起，PRISM让Agent网关从"孤立的输入过滤"迈向了"可部署、可运营、可审计"的运行时安全层。
它不是完整的安全边界，也不是正式保证，但对于任何在生产环境中部署OpenClaw Agent网关的团队来说，这是目前最具工程深度、最接近实战落地的开源防御方案之一。
📌 论文原文 → arXiv 2603.11853