AgentWard · 玄甲OS

AgentWard (玄甲) 是一个专为可信、可扩展的 AI 智能体部署而构建的全栈安全操作系统，原生适配 OpenClaw。AgentWard 将智能体接入、安全推理与可信执行统一在一个紧凑的安全架构中，并即将原生支持其他主流智能体框架。其异构纵深防御设计将智能体工作流重构为启动、感知、记忆、决策和执行五个协同的安全层，通过动态跨阶段防护机制，验证基础完整性、阻止对抗欺骗、防止内存篡改，并验证每个自主决策和高风险指令——形成一个完整、端到端的闭环安全体系，实现“初始可信、过程可控、结果可靠”的安全承诺。如果您觉得这个仓库有用，请引用我们关于 AgentWard 架构设计的论文：

@misc{zhang2026agentwardlifecyclesecurityarchitecture,
      title={AgentWard: A Lifecycle Security Architecture for Autonomous AI Agents}, 
      author={Yixiang Zhang and Xinhao Deng and Jiaqing Wu and Yue Xiao and Ke Xu and Qi Li},
      year={2026},
      eprint={2604.24657},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2604.24657}, 
}

为什么选择 AgentWard

• 🛡️ 全面的风险覆盖 — 异构纵深防御 (DiD) 架构提供全范围智能体安全保障，阻断智能体攻击面上多种攻击向量。
• ⚡ 一键部署 — 插件原生设计将安全能力原生编织到智能体全生命周期。通过非侵入式集成一键开启全面智能体安全，保证 OpenClaw 无缝快速版本适配。
• 🔒 确定性的系统级控制 — 提供确定性、完全可审计、代码强制实施的安全防护，优于依赖内源性安全的技能级方案，原生支持大规模部署和生产级就绪。
• 🌐 开放可扩展的安全标准 — 社区驱动、透明可审计的开放标准，模块化架构便于扩展。采用框架-算法完全解耦设计，可轻松集成先进检测算法，并计划扩展至通用智能体系统。

快速开始

1. ⚡ 安装或更新

   root@kitploit:~

   # 运行安装脚本
   bash /path/to/agent-ward/setup.sh
   

2. ✅ 验证安装

   root@kitploit:~

   openclaw plugins list
   

   然后即可为您的 OpenClaw 享受增强安全保护！

系统性架构

AgentWard 与 OpenClaw 平台原生深度集成，将原生安全能力嵌入 AI 智能体的全生命周期工作流。其异构纵深防御架构将孤立的单点安全检查重构为闭环、协同的系统级防护体系，为 AI 智能体从启动到执行提供端到端、全链路的可信保障。

五个协同防御层

AgentWard 通过五个紧密集成的层提供系统级安全，它们协同工作——将孤立的安全检查转变为统一的、端到端的 AI 智能体保护系统。

🚨 威胁响应与缓解

• 📢 检测到威胁时通过 IM 发送告警消息
• 🛑 自动阻止危险操作，无需人工介入
• 📝 清晰的警告描述，帮助理解风险

⚙️ 灵活配置

• 🎚️ 每个保护层可独立启用/禁用
• 👁️ 支持“仅检测”模式，减少误报影响
• 📋 部分层支持自定义规则，满足特定场景需求

防御可视化

🏗️ 第1层：基础扫描

确保智能体从可信的基础启动。

🧼 第2层：输入净化

在对抗性输入传播到智能体之前将其识别出来。

🧠 第3层：认知保护

保护长期记忆和上下文连续性免受投毒。

🎯 第4层：决策对齐

让智能体决策与授权用户意图保持一致。

🔧 第5层：执行控制

在执行点强制执行安全边界。

路线图

🏆 端到端全栈安全系统

我们的路线图围绕多层防御架构展开，旨在保护智能体的整个生命周期（从配置、输入处理到认知、决策和执行）。

📐 系统基础设施框架

• ✅ 插件原生模块化架构
• ✅ 基础适配器套件
• ✅ 核心检测引擎
  • ✅ 启发式规则检测模块
  • ✅ 意图风险评估系统
  • 🚀 信任感知的风险评估能力
• 🚀 异构操作系统支持
  • ✅ Linux
  • 🚀 macOS
  • 🚀 Windows

🏗️ 基础扫描层

• ✅ 全局和插件级配置安全检查
• ✅ 语义恶意技能检测
• 🚀 技能来源验证
• 🚀 插件依赖分析
• 🚀 混合自然语言与代码漏洞检测

🧼 输入净化层

• ✅ 基于规则的注入和越狱检测
• ✅ 用户输入的语义连贯性分析
• ✅ 碎片化恶意指令检测
• 🚀 多轮隐蔽攻击检测
• 🚀 安全恶意内容重写与替换
• 🚀 多模态注入攻击检测

🧠 认知保护层

• ✅ 内存一致性评估与校准
• 🚀 恶意记忆语料构建与威胁匹配
• 🚀 记忆向量化与异常检测
• 🚀 基于检查点的记忆恢复
• 🚀 上下文漂移检测与纠正

🎯 决策对齐层

• ✅ 智能体决策与用户意图的一致性验证
• 🚀 静态规则过滤与合规性验证
• 🚀 多步轨迹推理审计
• 🚀 风险自适应的动态权限分配
• 🚀 高风险动作识别与安全重写

🔧 执行控制层

• ✅ 实时拦截和阻止高风险系统指令
• ✅ 行为意图分析与风险评估
• 🚀 身份感知的动态权限控制与访问限制
• 🚀 智能体动作执行前安全验证
• 🚀 异常执行状态的自动回滚与恢复
• 🚀 eBPF 驱动的系统级可观测性
  • 🚀 实时资源监控与自适应限制
  • 🚀 网络负载审计与异常检测

🤝 跨层协作

• ✅ 全局信息聚合与风险发现
• 🚀 基于历史行为的信任画像
• 🚀 角色感知的风险评分与动态权限分配
• 🚀 污点传播与端到端系统审计

图例：✅ 已完成 | 🚀 进行中

致谢

我们感谢本仓库的所有贡献者。他们是 Qi Li、Xinhao Deng、Yixiang Zhang、Jiaqing Wu、Yue Xiao、Rennai Qiu、Zhuoheng Zou、Jiaqi Bai、Jiaxing Song 和 Ke Xu。