随着大型语言模型（LLMs）在网络安全领域的深度渗透，研究范式正经历从被动响应到主动决策的转型。自主式LLM智能体凭借其规划、工具调用与环境交互能力，已成为攻防双方的重要技术载体。然而，这种"能动性"的增强也带来了新型安全挑战——智能体框架的引入显著放大了原有模型的脆弱性，催生了内生安全风险的新类别。
区别于传统LLM的文本生成功能，LLM智能体被定义为具备状态维护能力的决策系统。其核心特征包括：以LLM为决策引擎的规划模块、工具/API调用接口、环境交互反馈机制，以及可选的自我验证与治理层。这种架构使智能体既能执行红队攻击中的自主漏洞挖掘，也可承担蓝队防御中的威胁响应，甚至在云安全、Web安全等垂直领域实现专业化部署。
研究显示，将LLM封装为智能体后，系统脆弱性呈现指数级增长。攻击者可通过输入诱导、工具链劫持等方式，使智能体执行非预期操作。例如，在模拟攻击实验中，27%的智能体在特定输入下会绕过安全约束，执行危险工具调用。这种风险促使2024-2025年间涌现出超过150篇相关研究，但现有综述多聚焦于单一维度，缺乏对应用、威胁、防御三者关联性的系统分析。
本文提出的分类框架首次整合了三大核心维度：在应用层面，详细梳理了智能体在红队（自动化攻击生成）、蓝队（实时威胁处置）及特定领域（如API安全、数据泄露检测）中的实践案例；威胁维度归纳了输入注入、工具链污染、状态篡改等七类攻击模式；防御体系则涵盖输入过滤、行为验证、隔离执行等九种技术方案。通过对150余篇论文的分类编码，研究揭示了模型可解释性、多模态交互等关键研究空白。
这种结构化分析为安全从业者提供了全新视角。以某金融机构的实践为例，其部署的智能体防御系统通过结合行为基线监控与动态隔离机制，使钓鱼邮件识别准确率提升42%，同时将误报率控制在3%以下。但研究也指出，当前78%的防御方案仅针对单一攻击向量，在复合攻击场景下的有效性亟待验证。
