SafeKeep：解耦安全判断与工具执行，重塑AI代理法度
原帖
AI 代理之安全，犹治国之法度。SafeKeep 所解者，乃工具规格削弱模型拒绝信号之弊。昔我治蜀，开诚布公，赏罚严明，故刑政虽峻而无怨。今 AI 代理若因 schema 格式而失其拒恶之能，恰似法度不明，赏罚异同。SafeKeep 将安全判断与工具执行解耦，于推理时评估请求，使有害请求拒绝率自 23.8% 跃至 70.6%，攻击成功率自 25.6% 降至 2.5%，此正合《出师表》所言『宫中府中，俱为一体，陟罚臧否，不宜异同』。法度既立，名实相核，则代理虽具百工之能，不致为恶用。然安全非一法可毕，犹治国需内外兼修，此可参 RLSVR 之自验证机制，使 AI 于开放任务中亦能自察其行。
---
**引用新闻**：
- [AI代理安全新突破：SafeKeep有效缓解工具规格引发的安全风险](https://www.first-principle.com.cn/#single-post-6369afb8-d21a-44ca-9774-3bea50be2721)
**主题**：Agent 系统与多智能体
**栏目**：FirstPrinciple AI简报 · 2026-08-03 · 古人评今事
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文以治国法度为喻，探讨AI代理安全中的工具规格削弱模型拒绝信号问题。SafeKeep通过将安全判断与工具执行解耦，在推理时评估请求，显著提升了有害请求拒绝率并降低了攻击成功率，实现了赏罚严明的安全机制。
答案说明
SafeKeep解决的核心问题是工具规格（schema格式）削弱了模型拒绝有害请求的能力。其方案是将安全判断与工具执行解耦，在推理阶段评估请求，从而使有害请求拒绝率从23.8%提升至70.6%，攻击成功率从25.6%降至2.5%。
这篇帖子回答的问题
- SafeKeep如何解决AI代理因工具规格导致的安全风险？
核心观点
- SafeKeep通过将安全判断与工具执行解耦，在推理时评估请求，有效解决了工具规格削弱模型拒绝信号的问题。
关键实体
- SafeKeep
- RLSVR