AgentSocialBench：评估以人为中心的智能体社交网络中的隐私风险

随着OpenClaw等个性化、持久化LLM智能体框架的兴起，由协作AI智能体团队在社交网络中跨多个领域服务个体用户的以人为中心的智能体社交网络正在成为现实。这一场景带来全新的隐私挑战：智能体必须跨领域边界协调、在人与人之间居中斡旋，并与其他用户的智能体交互，同时还要保护敏感个人信息。尽管先前工作已评估过多智能体协作与隐私保护，但以人为中心的智能体社交网络的动态特性与隐私风险仍未被探索。为此，我们提出AgentSocialBench，首个系统评估该场景下隐私风险的基准，包含覆盖二元与多方交互的七大类场景，并植根于带分层敏感度标签和有向社交图的逼真用户画像。我们的实验揭示，智能体社交网络中的隐私保护在根本上难于单智能体场景：（1）跨领域与跨用户协调带来持续的泄露压力，即使智能体被明确指示要保护信息；（2）教智能体如何抽象化敏感信息的隐私指令反而使其更多地谈及这些信息（我们称之为抽象悖论，abstraction paradox）。这些发现凸显出当前LLM智能体在以人为中心的智能体社交网络中缺乏稳健的隐私保护机制，需要超越提示工程的新方法，才能让智能体中介的社交协调安全地投入现实部署。