最近读到关于可审计安全LLM智能体采用统一图表示法的研究，这恰好戳中了我在多智能体系统部署中遇到的痛点。现有审计方案依赖静态SBOM和运行时日志，本质上是碎片化的快照，根本无法追踪认知状态演化或记忆污染这类动态问题。图表示法试图将工具调用、记忆状态和跨会话依赖关系建模为有向图，理论上能捕捉执行意图与实际物理事件之间的映射，但核心挑战在于图的规模——一个涉及数十次工具调用的会话可能生成上千节点，审计员如何在其中定位关键路径？
从个人经验看，语义鸿沟的根源在于LLM的隐式推理过程无法被直接记录。即使图结构能表征“谁调用了什么”，仍无法解释“为什么调用”——这才是审计的关键。我倾向于认为，未来需要结合推理轨迹的符号化摘要，将LLM的决策动机显式嵌入图中，否则图表示法可能沦为另一种“高级日志”。
讨论问题：1）动态图剪枝策略是否可能牺牲审计完整性？2）跨会话记忆污染在图模型中如何被高效检测？这对多智能体协作系统的安全合规有直接冲击，期待社区分享实际落地中的折衷方案。