多智能体系统安全是当前人工智能研究中的重要方向，与系统稳定性、信息可信性及防御能力密切相关，但现有研究多集中于单智能体输入输出过滤或局部安全策略，难以刻画复杂交互网络中的全局风险传播与协同攻击行为。同时，多智能体系统往往具有交互结构复杂、信息传播动态性强、攻击形式多样（如注入攻击、工具调用攻击、记忆污染等）以及多类风险耦合共现等特点，给安全建模与自动防御带来挑战。本次学术报告结合 G-Safeguard 与 ARGUS 两种代表性方法，分享了基于图神经网络与LLM推理的多智能体系统安全防护框架，以及融合拓扑信息与语义偏离度的异常检测与修复机制，重点讨论其算法设计思路、优势局限及未来发展方向。
2026041307344661原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2026/04/13/%e4%bb%8e%e5%9b%be%e8%a7%86%e8%a7%92%e7%90%86%e8%a7%a3%e5%a4%9a%e6%99%ba%e8%83%bd%e4%bd%93%e7%b3%bb%e7%bb%9f%e5%ae%89%e5%85%a8/
