利用 Agentic AI、嵌套学习与基于语义缓存的 AI 可持续性缓解提示注入

提示注入仍是大型语言模型安全部署的核心障碍，在多智能体环境中尤为如此，因为中间输出可能会传播或放大恶意指令。在早期引入四指标 Total Injection Vulnerability Score (TIVS) 的工作基础上，本文通过基于语义相似性的缓存和第五个指标（Observability Score Ratio）扩展了评估框架，得到 TIVS-O，并在受 HOPE 启发的嵌套学习架构中研究了防御有效性与透明度之间的相互作用。所提出的系统将 Agentic 流水线与 Continuum Memory Systems 相结合，后者针对从十个攻击族中提取的 301 个合成生成的注入相关提示，实现基于语义相似性的缓存，同时第四个智能体使用五个关键性能指标执行全面的安全分析。除了传统的注入指标外，OSR 还量化了每个智能体暴露出的安全相关推理的丰富性和清晰度，从而能够显式分析严格缓解与可审计性之间的权衡。实验表明，该系统能够产生安全响应，实现零高风险违规，同时语义缓存带来了巨大的计算节省，LLM 调用减少了 41.6%，延迟、能耗和碳排放也相应降低。五种 TIVS-O 配置揭示了缓解严格性与取证透明度之间的最佳权衡。这些结果表明，可观测性感知的评估可以揭示多智能体流水线内的非单调效应，并且在不修改底层模型权重的情况下，记忆增强的智能体可以共同最大化安全鲁棒性、实时性能、运营成本节约和环境可持续性，为安全且绿色的 LLM 部署提供了一条可用于生产环境的路径。