TRACES：通过轨迹 - 状态建模对多轮 LLM 智能体进行主动安全审计

LLM 智能体在多轮工具使用与环境交互中，安全风险常源于最终结果出现前的中间步骤。反应式审计往往滞后，无法在风险展开时及时预警。本文提出 TRACES，一种基于表示的主动审计器，利用观察者 LLM 的隐藏表征学习前缀级轨迹风险状态。该方法从步骤表征中提取潜在机制特征并建模其时间演化，以评估部分轨迹是否趋向不安全行为。TRACES 仅需弱轨迹级监督即可生成密集的前缀级风险估计，在多个基准测试中显著提升了安全预测与主动风险识别能力。