随着大型语言模型（LLM）智能体越来越多地调用外部工具并与真实世界系统交互，不安全的行为可能对外部状态、用户数据和下游服务造成不可逆的后果。现有的运行时防护栏（runtime guardrails）通过在动作执行之前进行检查来缓解此类风险，但其中许多方法仍然是反应式的：它们主要评估当前动作的表观安全性，缺乏对风险如何在轨迹中演变的显式建模。这一局限导致长期风险（long-horizon risks）出现盲区——单个看似良性的动作可能逐渐将智能体引向危险状态。为此，论文提出 DreamGuard，一种面向 LLM 智能体的主动式防护栏，其核心是风险感知的世界模型（risk-aware world model）。该世界模型在轨迹上维护一个紧凑的循环潜在状态，并预测未来的潜在状态，从中提取即时危险（immediate-hazard）和前序风险（prefix-risk）证据，进而在动作执行前融合多时间尺度的信号做出干预决策。实验在四个基准和一个在线防护栏评估中进行，结果显示 DreamGuard 优于通用、反应式和主动式防护栏基线，在安全性-效用权衡上取得最佳平衡，并且每次调用的端到端平均延迟仅为 25 毫秒，具备实际部署的可行性。该研究适合 LLM 安全、AI 智能体防护、运行时监控和系统安全方向的研究人员及工程师阅读。