该论文提出 AgentFlow，一种面向 LLM 智能体系统的流中心策略语言与运行时强制模型。研究背景是：LLM 智能体会读取不可信内容、调用外部工具、访问私有数据并委派任务给其他智能体，危害往往不是源于单个不安全动作，而是敏感数据在一系列看似合理的步骤间流动。AgentFlow 的核心思路是将安全策略定义在带标签的运行时边上，明确数据在智能体系统中的允许流向。策略语言支持流规则和路径规则、任务范围的能力、受控释放以及有状态污点语义。运行时参考监视器对智能体动作进行中介，并使用有界 SMT 验证器检查结构化策略子集的安全属性。实验方面，原型中七个安全属性每个不到 0.5 秒验证完成，且能捕获所有注入的不安全策略变体；在 AgentDojo 四个套件共 949 个注入案例中，确认受损率从 33.0% 降至 0.0%，同时聚合效用从 46.7% 提升至 63.3%；在 AgentDyn Dailylife 的 200 个案例中，确认受损率从 73.5% 降至 0.0%，效用几乎保持不变（44.5% 至 43.5%）。广度检查覆盖 ASB、InjecAgent、BIPIA、AgentHarm、MCPTox 等基准，表明配置的策略能阻止基准指定的策略可见攻击者流；在 ASB 的直接提示注入测试中，攻击成功率为 0/1200。作者强调这些结果是初步的，仅限于建模的策略可见智能体行为和已评估基准。该论文适合智能体安全研究、策略设计与运行时监控系统的开发人员阅读。