为何内联控制是应对Mythos级模型的核心优势

行业趋势 | 2026年9月10日

Anthropic的Claude Mythos具备先进的网络安全能力，因此目前在Project Glasswing框架下仅限少数受信任的组织使用。它与前几代AI有着本质区别。

前沿AI的风险与恶意意图关系不大，主要源于模型实时推理、规划、适应和优化的能力。无论是自主运行，还是通过遭入侵的集成运行，Mythos级模型都可以生成极具迷惑性的社会工程活动，以机器速度探测API，持续测试安全控制措施，并在遇到阻力时立即改变策略。

这改变了网络防御的经济逻辑。

大多数企业安全架构旨在阻止遵循可识别模式的攻击者。基于特征的检测、预定义策略和人工调查一直能够有效支持组织开展防御，因为人类攻击者在侦察、利用和调整策略等阶段之间不可避免地会留出时间间隔。

推理模型会让这一优势不复存在。当AI智能体能够在数秒内完成观察、学习并改变行为时，安全团队已无法再等到检测到攻击后才作出响应。如今，在哪里拦截攻击比能否检测到攻击更为重要。

答案就在流量路径中。每个提示、每次API调用、每个模型上下文协议（MCP）请求以及每次工具调用，都必须先经过应用交付层，才能到达任何有价值的目标。无论AI模型变得多么智能，都无法绕过网络。这是攻击者无法避开的唯一控制点。

“当AI智能体能够在数秒内完成观察、学习并改变自身行为时，安全团队已无法等到检测到威胁后再作出响应。”

了解三种截然不同的控制模型

当今AI安全市场的一大困惑源于以下术语经常被混用：实时、运行时和内联。这些术语含义不同，区分它们至关重要。那么，它们之间有何区别？

实时控制（可见性和事后告警）：实时控制可在可疑活动发生时进行检测，并在数秒或数分钟内发出告警。此类控制可提供可见性，但通常需要依靠其他系统或人工分析师采取行动。

设想一下，凌晨2:47，一个AI智能体正在高频查询客户数据库API。您的SIEM准确识别出这一异常行为，并立即创建事件。

警报准确无误，发出也很及时。但遗憾的是，等分析人员查看工单时，AI早已完成侦察并转向下一个目标。只有检测而不采取强制措施，只能记录攻击，却无法阻止攻击。

运行时控制（执行级防护机制）：运行时控制会在应用、端点或智能体运行期间主动实施策略。

由于系统会自动采取行动，相比仅进行检测，这是一项显著改进。不过，运行时保护仍受预定义策略以及特定运行时环境可观测范围的限制。

假设端点代理阻止了本地AI助手发起的可疑系统调用。模型会分析此次失败，找到策略未预见的另一条执行路径，并通过不同的技术实现相同目标。

运行时保护对预期行为的防护效果非常出色，而推理模型的设计目的恰恰是产生意料之外的行为。

内联网络和应用控制（流量路径拦截）：内联控制在完全不同的层级运行。内联执行机制无需等待应用或端点做出决策，而是直接部署在流量路径中，在每个请求到达推理引擎、API、应用或下游服务之前对其进行检查。

假设一个Mythos级模型尝试实施复杂的多阶段提示词注入，旨在通过间接推理提取训练数据。

可能没有已知特征、既往示例或历史失陷指标（IOC）可供匹配。即便如此，仍可在请求到达模型之前对其进行检查、评估和阻止，或在不安全的输出到达用户之前将其拦截。

这一区别至关重要：内联安全机制会从一开始就阻止请求完成，而不是等到系统已遭入侵后再作出响应。

前沿AI为何会打破传统安全假设

过去，防御方拥有一项重要优势：时间。即使是技术高超的攻击者，也需要数小时甚至数天才能完成侦察、漏洞利用和权限提升。安全团队可以在造成重大损害之前检测可疑活动、开展调查、更新特征码并加强控制措施。

前沿AI大幅缩短了这一时间线。在单次会话中，对抗性AI智能体可以：

发现已暴露、影子和未受管理的API。
生成数千种提示词变体，以识别薄弱的防护机制。
确定哪些响应表明实施了真正的强制执行，而非简单过滤。
即时更改技术、编码方式和有效载荷结构。
通过看似合法的输出渠道窃取敏感信息。

过去需要经验丰富的红队耗时数天才能完成的操作，如今几分钟内即可完成。因此，依赖人工干预的架构会越来越难以发挥作用。如果防护依赖分析师审查警报、更新特征码或手动修改策略，那么在首次响应开始之前，攻击者就已经完成了多轮迭代。

面对推理型AI，必须以线速执行安全策略。

为此所需的架构

要在线路层面应对推理型AI，需要采用不同于大多数安全技术栈原有设计思路的架构。

控制能力需要作为统一界面覆盖整个应用交付路径，而不是分散在彼此孤立的单点产品中。检查必须在推理层进行，以便在提示词和响应到达人员或模型之前对其进行实时分析。API发现必须持续运行，因为受管清单通常无法涵盖自主智能体优先寻找的非受管API和影子API。

针对攻击者技术的测试必须持续开展，而非定期进行，并且测试结果需要直接反馈到策略执行中；否则，防护措施按以周为单位的策略周期更新，而攻击者却能在几分钟内完成迭代。还需要将AI智能体识别为一种独立的身份类别，与人类用户和传统机器人区分开来，以便对智能体与工具之间的流量（包括MCP交互）实施与用户身份验证相同的治理。

这些能力无法通过一组彼此割裂的工具发挥作用。它们必须整合为统一的执行架构，涵盖API、推理流量、智能体身份和应用安全，并在混合云和多云环境中采用统一的策略框架。