Agent记忆导致内生授权清洗：EAL-Bench基准测试与安全权衡

长期运行的 LLM（大型语言模型）智能体依赖持久化记忆在交互间维持状态，包括权限、限制和撤销。当记忆错误地表示这种不断变化的授权状态时，智能体自身的记录可能会授予底层历史从未允许的权限，从而导致行为偏离，且无需任何外部攻击。 我们将此故障称为内生授权清洗（endogenous authorization laundering），即写入记忆中的虚假权限导致未经授权的操作，因为其来源被洗白。随后我们引入 EAL-Bench，用于衡量持久化记忆在保留不断变化的授权状态方面的准确性，以及错误是否会传播到下游的未经授权操作中。 我们以五种 LLM 作为记忆写入者，两种作为执行者，在采购、网络安全和金融领域进行了评估。我们发现，在增量记忆更新下，写入者为高达 50.2% 的未授权请求创建了虚假权限；一旦存在虚假权限，执行者在 98.6% 的试验中会据此行动。两种安全措施——要求存储的权限必须有有效的源事件支持，以及通过有界事件溯源跟踪权限变更——能显著减少清洗现象，但两者也会拒绝更多合法操作，暴露出安全性与效用之间的权衡。因此，持久化记忆不仅是性能组件，更是 LLM 智能体有效授权策略的一部分。