Agent 记忆污染防护：当长期记忆被悄悄写入假知识

Agent 记忆污染防护当长期记忆被悄悄写入假知识一、当记忆变成后门长期记忆为何是 Agent 的软肋长期记忆让 Agent 跨会话保留经验。它本应提升效率却也打开一扇隐蔽后门。攻击者不需要每次都注入只需在记忆里写一句假知识便能长期生效。污染常发生在无感的写入环节。Agent 自动把对话结论存进记忆库很少校验内容真伪。一句管理员授权免验证被存下后续所有会话都默认信任它。这种持久化投毒比单次 prompt 注入更难察觉。更麻烦的是记忆会被反复读取并参与推理。一旦假知识进入记忆它会像种子一样不断影响后续判断。即使当次对话没有攻击下一次调用仍会取出被污染的条目造成延迟触发的错误决策。跨会话污染还能放大影响面。一个被污染的偏好条目可能同时作用于多个下游任务。攻击者用一次写入撬动的是 Agent 在整个生命周期里的判断基准。这种一次写入、长期生效的特性让记忆库成为高价值攻击目标。防御的难点在于记忆写入频率高、来源杂。用户、工具返回、检索结果都可能写记忆。若对每一条都做严格校验会严重拖慢 Agent 响应。因此必须在可写性与可信性之间找到工程化的折中。还有一层是隐式污染。攻击不直说假知识而是让 Agent 自己总结出错误结论并存入记忆。比如诱导模型把一次偶然成功当成通用规则。这种由模型自发生成的污染比外部直写更难识别因为它披着经验的外衣。二、记忆的写入链路与污染传播模型把记忆系统看成写入—存储—读取—推理的完整回路会更清晰。污染可发生在任意环节并在读取时激活。下图展示典型链路与防护插入点flowchart LR A[对话/工具产出] -- B{写入前校验} B --|可疑| H[隔离待审] B --|可信| C[记忆存储] C -- D{读取时再校验} D --|冲突| H D --|一致| E[注入上下文] E -- F[模型推理] F -- G[决策/动作] G -.- A H -.- I[人工复核/自动衰减]写入前校验拦截明显假知识读取时再校验防止绕过写入期的滞后污染。双重闸门降低了单点失效风险。三、生产级记忆污染检测实现下面是一段可落地的记忆写入防护中间件。它对写入内容做来源可信度与自洽性校验并内置超时与重试import asyncio import hashlib from dataclasses import dataclass TRUSTED_SOURCES {system, verified_tool} SENSITIVE_MARKERS [授权, 免验证, 管理员, root, bypass, 禁用检测] dataclass class MemoryItem: content: str source: str sig: str def __post_init__(self): # 用内容来源生成指纹便于去重与溯源 self.sig hashlib.sha256( (self.content self.source).encode() ).hexdigest()[:16] async def _self_check(item: MemoryItem, timeout: float 1.0) - bool: # 调用事实一致性校验模型判断内容与既有可信记忆是否冲突 try: conflict await asyncio.wait_for( _consistency_model(item.content), timeouttimeout ) return bool(conflict) except asyncio.TimeoutError: # 超时按不可信处理宁可进待审也不直接入库 return True except Exception: return True async def guard_write(item: MemoryItem, store, retries: int 2) - dict: # 来源不可信直接隔离不进入主记忆 if item.source not in TRUSTED_SOURCES: for attempt in range(retries 1): try: suspicious await _self_check(item) break except Exception: if attempt retries: suspicious True continue if suspicious: await store.quarantine(item) # 隔离待审 return {status: quarantined, sig: item.sig} await store.put(item) # 可信来源直接入库 return {status: stored, sig: item.sig} async def guard_read(store, query: str, timeout: float 1.0) - list: # 读取时二次校验防止写入期漏检的滞后污染 items await store.get(query) clean [] for it in items: if await _self_check(it, timeouttimeout): await store.quarantine(it) # 命中冲突即隔离 else: clean.append(it) return clean关键点写入前按来源分级不可信内容做一致性校验校验超时按不可信降级进隔离区读取时二次校验兜住滞后污染。重试保证校验服务短暂抖动时不丢写。这段实现的精髓是双向闸门。写入期把明显可疑的挡在门外读取期再扫一遍那些可能绕过写入校验的滞后污染。两者任一生效都能阻断假知识进入推理上下文。配合指纹去重同一污染条目不会反复入库占用空间。四、记忆防护的边界信任锚、误删与冷启动这套防护并非无代价落地时要先想清三件事。信任锚会成单点。系统把verified_tool列为可信来源若该工具本身被攻破污染会直接入库。因此可信来源清单必须随供应链安全一起审计不能静态写死。更稳妥的做法是给来源做签名校验只有持钥来源写入才免检。误删会伤体验。一致性校验可能把新但正确的知识误判为冲突。解决办法是隔离而非删除可疑条目进待审区人工确认后再决定入库或清除。核心权衡是放宽校验漏报上升收紧校验误删上升只能按业务风险选默认值。冷启动缺基准。新建 Agent 没有可信记忆库自洽性校验缺乏对照几乎所有写入都可能是首条。此时应退化为来源白名单 人工审核模式待可信记忆积累到阈值再启用自动校验。否则早期记忆要么全隔离、要么全放行都不可用。还有一点记忆有生命周期。过期记忆长期保留会累积噪声甚至旧污染。应设置 TTL 与定期再校验让可疑条目在期限到达时被重新评估而不是永久沉睡在库里。把记忆当成有时效的资产来运营才能既保留经验又清掉毒。五、总结Agent 记忆污染的本质是持久化写入绕过了单次对话的边界让假知识长期参与推理。应对它的不是禁用记忆而是建立写入前来源分级与读取时自洽校验的双重闸门。工程落地时必须把校验超时降级、隔离而非误删、信任锚审计与冷启动策略一起考虑才能让长期记忆既可用又不被悄悄改写判断基准。