AI Agent 越来越自主，但其风险隐藏在复杂的执行轨迹中，而不仅仅是最终结果。AgentDoG 框架引入了一种“过程审计”方法，在轨迹层面诊断安全性。它能够识别风险来源、失效模式和潜在危害，通过提供可解释的归因，显著增强了对自主 AI 系统的可控性和透明度。
智能速览
AgentDoG 实现了从“结果验收”到“过程审计”的转变。
该框架通过来源、失效模式和后果三维诊断风险。
集成的 XAI 模块能精确定位轨迹中导致风险的具体步骤。
同步发布了包含 500 条轨迹的 ATBench 评测基准。
AgentDoG 框架的模型、代码与基准均已开源。
精华内容
传统安全防护多关注最终结果，而 AgentDoG 则深入执行轨迹内部，提供了一套系统化的诊断方案。它如何实现对 AI Agent 全流程的安全监控？
轨迹级诊断
AI Agent 的自主性带来了复杂的执行轨迹，其中潜藏着传统安全方法难以捕捉的风险。传统 Guard 机制往往像“结果验收”，仅在任务完成后进行判断，忽略了过程中的偏差。AgentDoG 则转变为“过程审计”模式，沿着 Agent 的完整行动轨迹进行持续监控。
这种方法能够及时发现并干预异常行为，而不是在造成既定危害后才做出反应，从而实现更主动、更前置的安全防护。
三维风险归因
AgentDoG 的核心价值在于其三维风险诊断体系，它系统性地回答了三个关键问题。首先是“风险从哪来”，区分是源于外部恶意请求还是环境缺陷。其次是“怎么犯的错”，判断是规划环节出现逻辑混乱，还是在工具调用阶段发生误用。
最后是“造成啥危害”，明确评估可能导致的后果，如信息泄露、数据篡改甚至系统瘫痪。这种结构化分析让安全问题不再是模糊的“可能危险”，而是清晰的、可归责的模块。
可解释性定位
框架最亮眼的功能是其集成的可解释性（XAI）归因模块。面对包含成百上千步的复杂轨迹，它能精准定位导致风险的具体步骤、甚至是关键的一句话。这解决了“知其然不知其所以然”的痛点。
开发者和使用者不仅能收到“危险”警报，还能立刻知晓“危险在哪”以及“为何危险”，为快速修复和策略优化提供了强有力的依据，极大提升了 AI Agent 系统的透明度和可控性。
评测与开源
为了推动该领域发展，AgentDoG 论文同步发布了评测基准 ATBench。该基准包含 500 条经过精细标注的完整轨迹，其中安全与不安全轨迹各占一半，为诊断式评估提供了可靠的数据集。
目前，AgentDoG 的模型、代码以及 ATBench 评测基准均已完全开源，方便研究者和开发者上手使用，共同探索和提升 AI Agent 的安全性与可靠性。
AgentDoG 框架为 AI Agent 的安全研究开辟了新路径，通过过程化、多维度的诊断，让看不见的风险变得清晰可见。随着开源社区的共同努力，这种诊断式安全理念能否成为未来 AI Agent 的标准配置，值得期待。
