Omnigent中的上下文策略：利用会话状态更好地治理AI代理

Databricks近日发布了Omnigent，这是一个开源的元框架，旨在为AI代理提供统一的策略管理层。与传统的代理工具不同，Omnigent引入了“上下文策略”的概念，允许策略根据代理会话的完整历史来评估和决策，而非仅仅检查单个操作。

传统代理框架通常只提供简单的允许/拒绝规则，例如是否允许Git推送或网页搜索。这种静态控制难以平衡安全性和便利性，尤其在面对提示注入攻击时。Omnigent的上下文策略通过维护会话状态（如已读文档、累计花费或风险分数），实现了动态的、更精细的权限控制。

例如，内置的成本策略可以跟踪会话中的模型调用费用：当支出超过软阈值时，策略会暂停并询问用户是否继续；达到硬上限后，则强制切换到更便宜的模型。Google Drive策略则允许代理编辑自身创建的文档，但一旦读取了标记为机密的文件，写入权限就会自动限制在该文件集中，防止数据泄露。风险评分策略为每个操作分配风险值，当累计风险超过阈值时，敏感操作（如发送邮件）需要人工批准。

Omnigent还支持基于意图的授权（IBA），根据用户最初提出的任务来限定代理的权限。例如，如果用户要求更新幻灯片，代理将无法访问GitHub或执行Shell命令，即使受到提示注入攻击也无法滥用工具。

作为元框架，Omnigent可以包装多种流行的代理工具和框架，包括Claude Code、Codex、OpenAI Agents SDK等。用户无需更改现有代理配置，即可通过Omnigent应用统一的上下文策略。该项目目前处于alpha阶段，已开源在GitHub上，并提供了详细的快速入门指南。上下文策略的核心在于它能够记住会话中发生的事件，比如代理读取了哪些文档、累计花费了多少，然后基于这些状态来决定下一步操作是否安全。这种设计借鉴了传统安全中的上下文安全概念，使得代理的控制更加灵活和强大。例如，同一个Git推送操作，如果代理之前只处理了普通代码，则允许；但如果它曾经读取过不信任的网页，则可能被阻止。这种动态调整能力对于防范提示注入攻击特别重要。此外，Omnigent的架构允许平台团队叠加策略，比如在会话级预算之上再设置用户级每日预算，从而全面控制成本。总之，Omnigent通过上下文策略为AI代理的治理提供了一种更智能、更灵活的解决方案。