AI時代的內存優化，本質上就是一個數據庫的安全問題。若想避免人工智能Agent成為新的攻擊對象，就必須像對待數據庫那樣對待Agent內存，控制好防火墻、審計機制以及嚴格的訪問權限管理。

　　大型語言模型（LLM）發展帶來的挑戰

　　大型語言模型（LLM）的迅猛發展，讓人始料未及。以技術達人艾莉·米勒的親身實踐為例，她近期對首選的 LLM 用于多項任務進行了評價，卻坦言“相信下周情況就會改變”。原因在于，不同模型間的競爭激烈，有的會加速迭代，有的會在特定領域強化訓練。然而，當前這些 LLM 在處理高價值企業數據時，其“接地氣”的能力亟待提升。破解難題的關鍵在于，并非單純地跟上 LLM 的進化速度，而是要探索如何將內存優化經驗有效應用于人工智能領域。

　　若把 LLM 比作 CPU，那么內存就如同硬盤、上下文以及積累的智慧，是智能體有效運行的關鍵支撐。剝奪Agent的內存，它便淪為一個成本高昂的隨機生成器。與此同時，將記憶融入這些日益成熟的系統，也帶來了全新的、巨大的攻擊風險。

　　Agent內存優化，也是被忽視的“數據庫”危險

　　多數組織將Agent內存視作抓取板或 SDK 背后的簡單功能，卻未意識到它本質上是一個數據庫問題，而且可能是組織所擁有的最危險（同時也最具潛力）的數據庫問題。

　　不久前，我曾提出，看似普通的數據庫正逐漸成為人工智能的“海馬體”，為類似長期回憶的無狀態模型賦予外部記憶能力。當時，Agent系統浪潮尚未真正興起，如今風險已然大幅增加。

　　正如里士滿·阿萊克在“特工記憶”研究中反復強調的，LLM 記憶與Agent記憶存在本質區別。LLM 內存僅涉及參數權重和短暫的上下文窗口，會話結束后便消失不見。而Agent內存則是一種持久的認知架構，能讓Agent基于歷史互動積累知識、保持情境感知并調整行為。

　　阿拉克將這一新興領域稱為“記憶工程”，認為它是提示或情境工程的后續發展。其核心并非簡單地向上下文窗口填充更多代幣，而是構建一條將原始數據轉化為結構化、持久記憶的流程，涵蓋短期、長期、共享等多種類型。

　　這看似是人工智能領域的專業術語，實則是一個偽裝成數據庫的問題。一旦Agent能夠回溯自身記憶，每次交互都可能引發系統狀態變化，進而影響未來決策。此時，調整提示已無濟于事，因為運行的是一個實時、持續更新的數據庫，存儲著Agent對世界的認知。

　　若該數據庫出現錯誤，Agent會自信地犯錯；若遭到入侵，Agent將始終處于危險境地。這些威脅主要分為以下三類：

　　記憶中毒：攻擊者不直接破壞防火墻，而是通過正常交互向Agent灌輸虛假內容。開放全球應用安全項目（OWASP）將記憶中毒定義為損壞存儲數據，致使Agent在后續決策中出現缺陷。如今，像 Promptfoo 這類工具已配備專門的紅隊插件，用于測試Agent是否會被惡意記錄誤導。一旦發生這種情況，Agent對中毒記憶的后續判斷都將被扭曲。

　　工具濫用：Agent越來越多地獲得訪問各類工具的權限，如 SQL 終端、shell 命令、CRM API 和部署系統等。當攻擊者能夠誘導代理在錯誤上下文中調用正確工具時，其危害與掌握“內幕指令”的內部人員無異。OWASP 將此類問題歸類為工具濫用和Agent劫持，即Agent無法擺脫權限限制，被攻擊者利用謀取私利。

　　特權蔓延和妥協：隨著時間推移，Agent會積累涉及敏感數據的角色、密鑰和心理快照。例如，若某Agent先協助首席財務官，后又為初級分析師服務，就可能“記住”不應在下游分享的信息。Agent人工智能安全類稅務信息明確指出，特權妥協和訪問風險會隨著動態角色或審計不力政策的實施而增加。

　　新問題的本質是數據安全問題

　　這些威脅看似新穎，本質上卻都是數據問題。回顧人工智能發展歷程，這些問題正是數據治理團隊多年來致力于解決的。

　　我一直建議企業應從“快速轉型”轉向“快速實現數據的有效管理”，并將其作為人工智能平臺的核心選擇標準。對于Agent系統而言，這一點尤為重要。Agent以機器速度處理人體數據，若數據錯誤、陳舊或標注有誤，Agent出錯的速度將遠超人類管理能力。

　　沒有有效“治理”的“快速”發展，無異于高速疏忽。問題在于，多數Agent框架都自帶小型內存存儲，如默認的向量數據庫、JSON 文件以及內存中的快速緩存，這些緩存可能在后續悄然投入生產使用。從數據治理角度看，這些屬于影子數據庫，通常缺乏模式定義、訪問控制列表和嚴肅的審計跟蹤記錄。

　　我們實際上是為Agent專門搭建了第二個數據棧，卻還疑惑為何安全人員對Agent接觸重要事務心存顧慮。顯然，這種做法不可取。若Agent要保存影響真實決策的內存，該存儲應與處理客戶記錄、人力資源數據和財務數據的受管控數據基礎設施屬于同一體系。Agent是新事物，但保護它們的方法并不用是最新的。

　　一種行業覺醒，Agent記憶與數據庫設計的融合

　　業界逐漸意識到，“Agent記憶”實質是“數據持久化”的“新包裝”。仔細審視，大型云服務提供商的舉措已初具數據庫設計雛形。例如，亞馬遜的 Bedrock AgentCore 引入“內存資源”作為邏輯容器，明確規定了留存周期、安全邊界以及原始交互如何轉化為持久洞察，這無疑是數據庫語言的運用，即便帶有人工智能品牌標識。

　　將向量嵌入視為獨立于核心數據庫的特殊數據類型毫無意義，若核心事務引擎能夠原生處理向量搜索、JSON 和圖形查詢，這種分離更顯多余。將內存整合到存儲客戶記錄的數據庫中，可繼承數十年的安全強化成果。正如布里吉·潘迪所指出，數據庫多年來一直是應用架構的核心，智能人工智能不僅無法改變這一現狀，反而會強化其地位。

　　然而，許多開發者仍繞過這一成熟架構，構建獨立的向量數據庫，或使用 LangChain 等框架的默認存儲，創建無模式、無審計跟蹤的無管理嵌入堆。這便是前面提到的“高速疏忽”。解決方案很簡單：將向量內存視為一流數據庫。

　　具體實踐包括：

　　定義思想模式：通常人們將內存視為非結構化文本，這是錯誤的。Agent存儲器需要結構化設計，明確記錄說話者、時間、信心水平等信息。如同不會將財務記錄隨意丟進文本文件，Agent記憶也不應存入通用向量存儲，需借助元數據管理想法的生命周期。

　　創建內存防火墻：將寫入長期記憶的每一項內容都視為不可信輸入。構建一個“防火墻”邏輯層，執行模式驗證、約束檢查以及數據丟失防護，甚至可在數據寫入磁盤前，使用專用安全模型掃描提示注入或記憶中毒跡象。

　　數據庫層實施訪問控制：為Agent的“大腦”實施分級安全機制。在Agent為用戶提供初級審核（如初級分析師權限）前，必須有效記錄所有高級記憶（如首席財務官權限）。此操作應在數據庫層而非提示層執行，若Agent試圖查詢無權限內存，數據庫應返回零結果。

　　審計“思想鏈”：傳統安全審計關注誰訪問了表格，而Agent安全需審計原因。需將Agent的實際行為追溯到觸發它的特定記憶譜系。若Agent泄露數據，要能夠調試其內存，找出有毒記錄并清除。

　　構建信任機制，從內存層開始的Agent系統設計

　　我們常以抽象概念談論人工智能信任，如倫理、一致性、透明度等，這些固然重要，但對于在實體企業中運行的Agent系統，信任是具體可衡量的。

　　當前處于炒作周期階段，各方都希望構建能“直接應對”的Agent機構，這不難理解，畢竟Agent能自動化許多過去需團隊協作的工作流程和應用程序。但每一次精彩演示背后，都隱藏著一個不斷積累事實、印象、中間計劃和緩存工具結果的存儲庫。這個存儲庫必須被當作一流數據庫處理，否則將面臨嚴重風險。

　　那些已掌握數據譜系、訪問控制、留存和審計管理方法的企業，在進入Agent時代時具有結構性優勢，無需重新發明治理體系，只需將其擴展至新的工作負載。

　　若你正在設計Agent系統，請從內存層入手，明確其定義、存儲位置、構建方式和管理策略。之后，再讓Agent投入運行。