本文针对Agentic AI系统引入的持久内存攻击面，提出了一种名为MemSentry的防御框架。Agentic AI系统通过持久记忆保存用户交互和系统状态，但攻击者可以向长期记忆中注入对抗性内容，即内存投毒（Memory Poisoning），从而在后续任务中暗中操纵AI行为，例如压制安全警报、辅助特权提升、篡改信任关系或绕过安全策略，且无需修改模型权重或系统提示词。MemSentry是一个配置驱动的正式框架，位于AI系统与持久内存之间，拦截每一次写入操作，并产生确定性的三种决策：接受（Accept）、审查（Review）或隔离（Quarantine）。该框架综合评估五个维度：源的信任等级、语义风险评分、基于组件依赖DAG的攻击半径、访问控制风险，以及反映操作是否削弱或增强安全态势的带符号安全状态增量。为了评估MemSentry，作者构建了一个包含20个资产和随机依赖DAG的仿真环境，以及一个10×20的用户访问控制矩阵，并使用分层70/30划分的1,000个GPT-4生成场景进行测试。语义分类被设计为可插拔组件，文中对比了四种代表性方法：基于规则的Regex、TF-IDF+SVM、SBERT+LR和SetFit。实验结果显示，SBERT+LR在整体性能上最佳，准确率达到91.7%，宏F1得分为0.908；所有四种方法都能100%检测外部来源的隔离类威胁。对于已验证的内部人员（源信任T=1），MemSentry不会自动隔离危险操作，而是将其升级为人工审查，此时语义分类的准确性对于理解内部人员意图至关重要。本工作为Agentic AI系统提供了第一道形式化的持久内存写入防御屏障，适合AI安全研究人员、LLM应用开发者以及从事AI威胁检测的蓝队人员参考。