SHE：面向LLM智能体的轨迹驱动安全Harness演化

大语言模型（LLM）智能体的安全不仅取决于模型权重，还取决于管理上下文、记忆、工具、权限和运行时控制的agent harness。现有安全机制常将harness视为固定的部署产物，限制了其随新风险演化的能力。此外，harness各组件间的功能耦合使安全责任归因模糊，难以局部演化。我们提出Safety Harness Evolution（SHE），一个从rollout轨迹中学习可演化安全边界的框架。SHE将harness分解为四个具有明确安全职责的组件：System Prompt、Rule Bank、Safety Memory和Tool Policy，为局部演化定义清晰的功能边界。基于这一分解，SHE引入归因引导的演化循环：将轨迹失败转化为结构化诊断，学习各组件特定的边界细化，并通过安全-效用验证选择演化后的harness。在Agent-SafetyBench上的实验表明，SHE通过harness演化有效增强安全性，相比静态SafeHarness将ASR降低3.1倍，同时提升良性任务效用。演化后的harness还能泛化到留出基准AgentHarm上的未见风险，并在不同智能体模型间迁移而无需额外演化。