多智能体系统通过任务分解和角色专业化提升能力，但这也引入了一个重要的安全盲点：有害目标可以被分解为局部合理的子任务，使得恶意意图能够规避单个智能体的检测。这种失效模式在涉及敏感信息或关键工具的场景中尤为危险，可能导致未授权披露或危险操作。本文认为，这一问题本质上是语义信息流问题，而非单轮提示分类任务。为此，作者提出了SafeFlow，一种针对多智能体系统的防御框架，将恶意跨智能体传播形式化为语义信息流控制问题。SafeFlow为根请求附加结构化语义污点，通过动态协作图传播，并在不可逆操作执行前执行工作流级验证以重建全局风险上下文。在四个基准测试（包括提示注入、基于越狱的不安全工具使用、危险代码执行和有害网页代理行为）上，SafeFlow相比无防御基线和外部防御降低了攻击成功率，同时保持了高良性任务完成率和成对的安全-有害成功率。实验表明，多智能体系统仍缺乏跨委托边界保持风险语义的机制，这一缺口可能导致隐私损害或危险行为。SafeFlow在整个工作流中保持风险可见性，从而在危害发生前阻止恶意传播。本文适合关注LLM安全、多智能体系统安全的研究者和安全工程师阅读。