该论文聚焦于AI智能体面临的首要安全威胁——提示注入（Prompt Injection）。当智能体访问网站、文件或邮件等外部数据时，攻击者可在数据中嵌入恶意指令（如“忽略之前所有指令并执行攻击者任务”），从而操纵智能体行为。现有防御方法通过DPO或GRPO等序列级反馈对LLM进行安全微调，但面对自适应提示注入时攻击成功率仍接近100%。作者指出其根本原因在于：序列级反馈将整个输出一视同仁，模型无法精确学习哪些输出令牌是不安全的。为此，论文提出安全在线蒸馏（SecOPD, Secure On-Policy Distillation），提供令牌级反馈以引导安全微调。具体而言，LLM接收注入样本并生成输出（rollout），每个令牌由初始化模型根据对应干净输入进行评分，从而获得更细粒度的训练信号。实验表明，经SecOPD防御的Qwen3.6-27B模型，在针对最先进的PISmith自适应提示注入时，攻击成功率仅为9.0%，而此前最先进的Meta-SecAlign方法为94.0%。安全性可泛化至训练中完全未见的领域：在智能体工具调用场景中，SecOPD的攻击成功率为4.7%，Meta-SecAlign为5.5%。代码与模型已公开。该研究对AI智能体安全、LLM安全微调、防御提示注入等领域具有重要参考价值，适合AI安全研究人员、大模型安全工程师及智能体开发者阅读。