利用Agentic AI的提示注入缓解、嵌套学习与经语义缓存实现的AI可持续性

提示注入仍然是大语言模型安全部署的核心障碍，在中间输出可能传播或放大恶意指令的多智能体环境中尤甚。在先前提出四指标总注入脆弱性评分（TIVS）的工作基础上，本文以基于语义相似度的缓存和第五个指标（可观测性评分比）扩展评估框架，得到 TIVS-O，并在一个受 HOPE 启发的嵌套学习架构中研究防御效果与透明度如何相互作用。所提出的系统把 agentic 管线与实现语义相似度缓存的 Continuum Memory Systems 相结合，处理取自十个攻击家族的 301 个合成生成的注入类提示，同时第四个智能体使用五个关键性能指标执行综合安全分析。除传统注入指标外，OSR 量化每个智能体暴露的安全相关推理的丰富度与清晰度，从而能够显式分析严格缓解与可审计性之间的权衡。实验表明，该系统在零高风险违规的情况下实现安全响应，而语义缓存带来可观计算节省：LLM 调用减少 41.6%，延迟、能耗与碳排放相应下降。五种 TIVS-O 配置揭示了缓解严格性与取证透明度之间的最优权衡。这些结果表明，可观测性感知的评估能揭示多智能体管线内的非单调效应，且记忆增强智能体可以在不修改底层模型权重的情况下，同时最大化安全鲁棒性、实时性能、运营成本节省与环境可持续性，为安全且绿色的 LLM 部署提供可上生产的路径。