该论文聚焦 agentic AI 带来的安全边界扩张问题。传统 LLM 安全主要关注生成内容本身，而具备自主性的智能体还要维护持久状态、执行自主动作、调用外部工具，并与人类及其他智能体交互，这使得威胁面从"输出内容"延伸到"状态—动作—工具—协作"全链路。作者指出，现有威胁分类多只强调单一维度，例如仅按攻击入口或仅按受害组件划分，导致入口点、受影响组件与最终安全后果之间的关联被割裂；同时，业界已知的威胁图谱与实证研究实际覆盖的范围也存在明显偏差。为系统化地解决这一问题，作者对 2022 至 2026 年间发表的 66 项研究进行结构化综述，提出跨维度表示 T={S, B, P, A}，将受影响的系统或功能面（Surface）、交互或信任边界（Boundary）、被违反的安全属性（Property）以及被实证考察的架构（Architecture）四个维度关联起来，从而把"谁被攻击、跨越了什么信任边界、破坏了什么安全属性、在何种架构下被验证"串联成可比较的坐标。在此基础上，作者进一步分析 22 项有工件支撑的红队研究和 11 个代表性安全基准，刻画当前实证覆盖的分布与评估成熟度。主要发现是：证据高度集中在提示/推理层攻击、记忆攻击和工具介导攻击，且绝大多数在单智能体设定下完成；相比之下，持久化威胁、人—智能体交互威胁、复杂多智能体协同威胁、系统性威胁和长时程威胁获得的覆盖明显不足。作者特别声明，这些结论描述的是所选语料库，而非推断整个实证研究领域都存在空白。论文还归纳出制约该领域发展的四类瓶颈：评测指标异构导致结果难以横向对比、对自适应防御的评估不足、架构维度分布不均衡、以及对执行状态捕获不完整，这些因素共同削弱了研究的可比性与可复现性。最终，作者提出 13 个开放研究问题，指引未来走向更系统化、架构感知且可复现的 agentic AI 安全评估。该工作适合 agentic AI 安全研究者、红队与评测基准设计者、以及负责企业级 AI 智能体安全架构的工程师阅读。