AgentDoG: Диагностическая система защитных барьеров для обеспечения безопасности и защищенности ИИ-агентов
AgentDoG: A Diagnostic Guardrail Framework for AI Agent Safety and Security
January 26, 2026
Авторы: Dongrui Liu, Qihan Ren, Chen Qian, Shuai Shao, Yuejin Xie, Yu Li, Zhonghao Yang, Haoyu Luo, Peng Wang, Qingyu Liu, Binxin Hu, Ling Tang, Jilin Mei, Dadi Guo, Leitao Yuan, Junyao Yang, Guanxu Chen, Qihao Lin, Yi Yu, Bo Zhang, Jiaxuan Guo, Jie Zhang, Wenqi Shao, Huiqi Deng, Zhiheng Xi, Wenjie Wang, Wenxuan Wang, Wen Shen, Zhikai Chen, Haoyu Xie, Jialing Tao, Juntao Dai, Jiaming Ji, Zhongjie Ba, Linfeng Zhang, Yong Liu, Quanshi Zhang, Lei Zhu, Zhihua Wei, Hui Xue, Chaochao Lu, Jing Shao, Xia Hu
cs.AI
Аннотация
Появление ИИ-агентов порождает сложные проблемы безопасности, связанные с автономным использованием инструментов и взаимодействием со средой. Современные защитные модели лишены агентского понимания рисков и прозрачности в диагностике угроз. Для создания агентского защитного механизма, охватывающего многочисленные сложные риски, мы предлагаем единую трехмерную таксономию, ортогонально классифицирующую агентские риски по источнику (где), типу сбоя (как) и последствиям (что). Руководствуясь этой структурированной иерархической таксономией, мы представляем детализированный бенчмарк агентской безопасности (ATBench) и диагностическую защитную систему AgentDoG для безопасности агентов. AgentDoG обеспечивает контекстный мониторинг траекторий агентов на детальном уровне. Ключевое преимущество системы — способность диагностировать коренные причины небезопасных действий и внешне безопасных, но нелогичных поступков, предоставляя информацию о происхождении решений и прозрачность, выходящую за рамки бинарных оценок, для эффективного согласования агентов. Доступны варианты AgentDoG трех размеров (4B, 7B и 8B параметров) на базе архитектур Qwen и Llama. Экстенсивные эксперименты подтверждают, что AgentDoG демонстрирует передовые результаты в модерации агентской безопасности в разнообразных сложных сценариях взаимодействия. Все модели и наборы данных находятся в открытом доступе.
English
The rise of AI agents introduces complex safety and security challenges arising from autonomous tool use and environmental interactions. Current guardrail models lack agentic risk awareness and transparency in risk diagnosis. To introduce an agentic guardrail that covers complex and numerous risky behaviors, we first propose a unified three-dimensional taxonomy that orthogonally categorizes agentic risks by their source (where), failure mode (how), and consequence (what). Guided by this structured and hierarchical taxonomy, we introduce a new fine-grained agentic safety benchmark (ATBench) and a Diagnostic Guardrail framework for agent safety and security (AgentDoG). AgentDoG provides fine-grained and contextual monitoring across agent trajectories. More Crucially, AgentDoG can diagnose the root causes of unsafe actions and seemingly safe but unreasonable actions, offering provenance and transparency beyond binary labels to facilitate effective agent alignment. AgentDoG variants are available in three sizes (4B, 7B, and 8B parameters) across Qwen and Llama model families. Extensive experimental results demonstrate that AgentDoG achieves state-of-the-art performance in agentic safety moderation in diverse and complex interactive scenarios. All models and datasets are openly released.