方案 | Check Point 三步高效构建AI智能体安全实践！

中国互联网络信息中心数据显示，截至2025年底，中国生成式AI用户规模已达6.02亿，同比增长142%。与此同时，中国日均Token调用量已超140万亿，两年内增长超过千倍。AI已深度嵌入企业日常运营，智能体化正成为这一进程的下一阶段。

AI智能体能读取业务数据，能访问私有信息，并将其暴露于不可信内容之中，还能通过邮件和工作流向外通信。如果安全团队只能在交互发生后才后知后觉，那最关键的决策窗口早已错过：提示词已经提交，文件已经被处理，AI 系统甚至已经执行了下一步动作。到那时，企业只能是启动事后调查；

企业真正需要的，

是在威胁产生的当下

就能做出实时决策。

当智能体获得访问数据、调用工具、修改系统的能力，风险随之以具体的形式呈现。

指令被操控是最直接的威胁；

敏感数据移动是第二类风险：泄露往往隐藏在一个逐步看来合理的工作流之中，等到发现时，数据早已离开了企业边界；

工具被不当使用是第三类风险：这类风险传统权限管控很难识别，因为从访问控制的角度看，一切都在允许范围之内；

组件风险随着智能体架构的复杂化而加剧：一个新接入的工具或被攻陷的组件，可以悄然改变智能体的风险画像，即便智能体本身看起来行为正常。

这些风险指向同一个结论：传统的最小权限管控能够告诉你智能体被允许访问什么，却无法回答一个更关键的运行时判断问题，那就是这一次工具调用，在这个上下文中，针对这个任务，究竟该不该发生？

安全

必须在风险决策发生的地方介入，

而不是

在损失发生后才响应。

然而现实是，77%的企业已更新了AI安全策略，但仅有26%具备执行这些策略的架构能力。弥合这一差距，需要围绕三个步骤构建实践模型。

01

首先是可视性问题

清点所有正在运行或正在开发中的智能体，了解它们连接什么、使用哪些工具、能访问什么数据、拥有多大自主权。

02

用户需提前定义权限

用户需要在智能体进入生产环境之前就定义权限，并为工具调用、数据访问和部署模式制定策略边界。

03

保护应在运行时介入

在提示词到达模型之前、在输出到达用户之前、在工具调用执行之前进行检查，在不安全行动发生之前将其拦截。

Check Point AI智能体安全专为这一运行时现实而设计，对AI应用和智能体进行内联保护，从提示词到输出，再到智能体的每一次工具调用，无需重新训练模型或重写提示词。这一能力作为Check Point AI Defense Plane的核心组成部分，将员工AI使用、AI应用与智能体三个维度的安全管控统一整合，确保智能体安全不是一个孤立的单点工具，而是贯穿企业AI执行层的完整防御体系。

Check Point 企业智能体安全白皮书