从对齐到访问控制：GenAI 策略执行框架

arXiv 出现一篇论文，作者 Nathalie Baracaldo 指出 GenAI 应用与 agent 能力发展极快，但安全与合规机制演进缓慢，已导致真实事故。论文梳理了 GenAI 应用策略执行中的各种做法，提出一套方法论来系统分析和拆解现有策略定义与执行路径，并给出建议与社区行动呼吁。该文是其 USENIX Security 2026 Enigma 演讲的配套扩展。

此前业界多把安全重心放在模型对齐上，论文则把议题扩展到可定义、可执行、可审计的策略与访问控制层面，并指出不同实践者对“策略”理解不一致，导致方案割裂、难以满足合规要求。这为从对齐单点转向统一策略执行提供了分析框架。

论文的核心机制是把“策略”从模糊概念拆成可分析的对象，通过一套方法论对现有策略定义与执行方式进行分类和对比，从而暴露不同实践者之间的语义分歧与方案孤岛。只有先统一策略语义，才可能将访问控制等机制一致地落到 GenAI 应用与 agent 上，支撑合规。

对产品与研发而言，GenAI 应用和 agent 的策略配置不应只依赖模型层对齐，而需要在应用层显式定义访问控制与策略执行点，并保证可审计。这可能增加权限建模与策略引擎的研发投入，但能降低真实安全事故与合规返工风险，也会影响多 agent 场景下的用户体验设计。

• 为 GenAI 应用和 agent 提供统一的策略定义与执行层，支持权限、数据边界和合规规则的集中配置。
• 在 agent 工具调用链路上加入可审计的策略拦截与日志，作为面向企业客户的合规卖点。
• 面向多团队协作场景，提供策略语义对齐检查工具，减少因理解不一致造成的安全漏洞。

• 论文提出的方法论具体包含哪些分类维度与评估步骤？
• 论文针对社区提出的具体建议和行动呼吁是什么？
• 该框架是否已在真实 GenAI 应用或 agent 上做过验证或案例研究？
• USENIX Security 2026 Enigma 演讲与本文在内容上如何分工？