课题详情： 课题背景： 随着大语言模型从“对话框”走向“智能体（Agent）”，其具备了调用 API、执行代码及操作数据库的自主能力。然而，这引入了全新的安全风险：Agent 可能被诱导执行破坏性指令（如删除线上数据）、滥用高额付费接口或泄露系统机密。传统的文本过滤已不足以应对物理世界的行为风险。本课题旨在构建 LLM & Agent 双重护栏，不仅监控输入输出的语义安全，更深层地对 Agent 的 Action（执行动作） 进行实时拦截、风险评估与权限管控，确保 Agent 在预设的安全沙盒内运行。 课题挑战： 1、Action 语义合规与意图对齐： 如何精准识别 Agent 生成的 Tool Call 是否背离了用户原始意图，防止“幻觉”导致的越狱执行或误操作；Agent 行为的语义对齐， 如何训练模型理解特定领域工具调用的深层风险（如在金融系统执行高频交易指令的潜在风险），建立 Action 到安全等级的精准映射； 2、高风险动作的动态判定： 针对删除、转账、敏感查询等高风险 Action，如何构建一套基于上下文的动态审批流（Human-in-the-loop）与自动阻断机制； 3、多工具调用的链式安全： 在复杂的 Agent 任务流中，如何防止通过一系列看似无害的组合动作（Chain of Thought）最终诱发的协同攻击； 4、执行环境的隔离与沙盒化： 如何在保障执行效率的同时，为 Code Interpreter 或 Bash Tool 提供极致的安全沙盒，防御针对宿主机的逃逸攻击； 5、实时防御与性能损耗： 在多步推理中，如何在每一跳（Hop）的 Action 触发前完成毫秒级的安全前置检查。 具体工作： 你将主导 LLM-Guard 领域模型的训练全流程。包括：构建行业级安全指令微调数据集；应用 SFT、DPO 或 PPO 算法进行模型安全对齐；探索基于特征解耦的 Agent 行为检测模型；优化在线推理侧的 Guard 模型，并持续迭代自动化评测体系。 课题要求： 1、来自计算机、软件工程、人工智能、信息安全或数学等相关专业的硕士或博士同学；对大模型安全、对齐技术或智能体（Agent）有浓厚兴趣和基础了解； 2、熟悉 NLP 基础算法及 Transformer 架构，了解大模型微调（如 SFT、LoRA）的基本原理；熟练掌握 Python 编程，至少使用过 PyTorch 或 TensorFlow 其中一种深度学习框架； 3、了解常见的 Agent 机制（如 Function Calling）及基础的网络安全/内容合规概念者优先； 4、具备良好的逻辑思维与问题分析能力；沟通协作能力强，能够积极主动跟踪领域内的新技术；具备一定的工程实现能力，能将算法逻辑转化为实验代码。