本文首次系统性地研究了AI智能体系统中的检查点与回滚（Checkpoint and Rollback, C/R）机制的安全隐患。随着AI智能体向持久化、有状态执行方向发展，其执行状态和外部副作用在故障后难以重建，C/R成为关键恢复手段。然而，作者指出，正确的回滚并不等于安全的恢复：即使检查点被忠实恢复，恢复后的执行状态、假设和外部副作用可能从未在任何有效历史中共存过，从而引发安全漏洞。作者通过分析多个代表性智能体C/R系统，刻画了现有C/R机制的设计空间，并提出了一个通用执行模型，用以捕捉恢复边界和状态依赖关系。基于该模型，他们识别出五类基本故障模式：内部状态不完整或不一致、外部依赖过期、非确定性重放、未记录的外部副作用等。为了验证安全影响，作者在Hermes、Cline和LangGraph上实现了三种端到端攻击，分别实现了恶意软件验证绕过、未经授权的邮件转发和双重支付。此外，他们开发了一个多智能体分析流水线，能够重建执行语义、识别五类故障条件的违反，并通过实际回滚进行验证。在五个主流框架上的评估表明，这些故障在异构C/R设计中反复出现，其根源在于检查点恢复的状态与安全续行所需依赖之间的普遍差距。该研究为智能体系统的恢复机制安全性提供了首个系统性分析，并揭示了设计C/R时需要综合考虑状态一致性和外部副作用。适合智能体安全研究人员、AI系统架构师和开发持久化智能体应用的工程师阅读。