该论文研究了代理型AI（Agentic AI）对移动微数据隐私构成的再识别威胁。背景：商业数据经纪商广泛收集细粒度位置数据，虽然已知移动轨迹具有高度唯一性，理论上可通过少量时空点识别个体，但传统攻击依赖人工分析，规模有限。核心问题：代理型AI是否会改变这一威胁模型？方法：作者构建了一个端到端流水线，利用大语言模型代理自主搜索开放网络、交叉引用公共记录和社交媒体，将原始坐标序列解析为候选身份，无需人工干预。在包含模拟真实家庭和工作地址附近位置点的时空数据集上评估，聚焦高风险披露场景。结果：从时空数据和公共来源出发，代理型AI成功再识别了25位可识别个体中的18位（72%），以及总共43个案例中的18个（41.9%）。讨论了对统计披露控制（SDC）实践的影响，并概述了数据监管者必须预期的近期升级。结论：事实上的匿名性（SDC实践的隐含基础）正在转变。代理型AI强化了在GDPR Recital 26标准下，以每分钟数美元的成本通过任何手段进行再识别是合理可能的。主要贡献：首次在真实环境中证明代理型AI可大规模、低成本地执行再识别攻击，威胁模型发生根本变化。适合读者：隐私研究人员、数据监管者、SDC从业者。

该论文探讨了代理人工智能（Agentic AI）如何解决网络安全中长期存在的挑战。当前安全防御面临成本高昂、人工密集型任务成为瓶颈等问题，许多防御措施因效率低下而难以实施。代理AI通过直接接收和推理自然语言或代码的能力，有望自动化这些任务，从而扩大可行防御的范围。论文首先系统性地将开放的安全问题映射到新兴的代理AI能力上，随后通过16个案例研究（涵盖供应链分析、漏洞管理、事件响应等场景）具体展示了代理AI如何协助防御者。每个案例分析了传统方法的局限性、代理AI的潜在优势以及实现路径。研究贡献包括：提出了一个将安全挑战与AI能力对齐的框架；通过案例研究验证了代理AI的实用价值；指出了当前代理AI在可靠性、可解释性和安全性方面的局限性。适合安全研究人员、AI开发者和安全运营团队阅读，以了解AI agent在防御中的前沿应用。