Red Hat 如何用策略驱动访问控制保障 AI 智能体安全

Red Hat 工程师在文章中提出，智能体 AI 的安全缺口不在身份认证或沙箱，而在治理策略到运行时执行的翻译环节。Cloud Security Alliance 数据显示，70% 组织已有 AI 组件在生产环境，但 82% 缺乏对 AI 运行时行为的实时可见性，仅 21% 维护已部署智能体的实时清单，65% 已遭遇与智能体 AI 相关的安全事件。 文章指出生产环境普遍存在过度授权问题。以财产险公司为例，核保、理赔和合规三类智能体本应有不同数据权限，但现实中常被授予同一数据超集，原因是跨向量数据库、特征存储、数据目录、S3 桶和 MCP 工具服务器逐点配置细粒度策略成本过高。此外，MCP 等协议解决的是工具授权问题，而数据访问控制要回答工具运行时能返回哪些资产、记录和字段，两者不能互相替代。 提出的开源方案分三步：从治理文档中提取结构化访问规则；为现有系统生成授权配置；再用自动化红队测试验证配置是否符合策略意图。作者用 asago 框架搭建只读 RAG 保险助手 PoC，基线配置下核保智能体可返回理赔信息，被判定为策略违规；应用权限推荐后重新评测，核保智能体仍可读取核保信息但理赔检索被拒，合规审查员保留双域访问权限。 文章还提到 OpenShell 提供带身份集成和凭证范围限定的沙箱执行，OpenClaw 演进为可插拔安全策略的多智能体编排框架，Garak 和 EvalHub 用于自动化红队与安全测试。Red Hat 表示正与 asago、MCP、OpenShell 及 Open Agent Safety Platform 社区合作，并探索在 Red Hat OpenShift AI 中为智能体工作负载提供策略驱动访问控制。文章认为当前方案多停留在数据集级授权，字段级访问控制（如对理赔数据中的 PII 按角色脱敏）是下一前沿。