摘要
随着模型上下文协议（MCP）的普及，如何通过有意义的用户 consent 保障工具调用安全成为关键挑战。现有方法因缺乏对危险参数的考量而导致授权疲劳。本文提出 Conleash，一种客户端中间件，利用风险格点自动允许边界内的安全调用并升级高风险请求，结合用户定义不变量的策略引擎及将决策转化为规则的细化循环。实验显示其在真实轨迹中准确率达 98.2%，捕获 99.4% 的升级请求，且验证开销仅 8.2 毫秒，用户研究亦表明其显著提升了信任度。
AI 推荐理由
论文聚焦 Agent 工具调用的授权与安全机制，属于技能使用中的关键控制环节。
研究机构
University of California, Los Angeles, USA
University of California, San Diego, USA
University of Texas at Arlington, USA
University of California, Santa Barbara, USA
论文信息