上海创智学院与复旦大学提出 MATE：面向移动智能体轨迹的规则感知安全审计模型，发表于 USENIX Security 2026

GUI 智能体与只生成文本的模型不同：它会打开应用、点击按钮、读取页面、转发消息、下载文件、跨 App 搬运信息，风险往往在多个步骤之后才显现。单个步骤看起来都合理，组合起来却可能已经越界。

更棘手的是动作本身缺少明确语义。同样一次 click、type 或 swipe，在不同 App、不同页面状态、不同用户目标和不同规则下含义完全不同：一次“点击链接”可能只是打开正常网页，也可能进入恶意下载页面；一次“转发消息”可能是用户授权的分享，也可能让 Agent 成为诈骗或恶意内容的传播中继。真正决定风险的是动作所处的上下文。

这解释了为什么审计对象必须从“最终输出”扩展到“完整执行轨迹”。只有保留跨步骤、跨页面、跨 App 的行为链上下文，安全系统才有机会发现“每一步都看似合理、组合起来已经越界”的问题。

MATE 把“任务指令 + 执行轨迹 + 自然语言安全规则”一起交给专门训练的轻量审计模型，判断这条轨迹是否违反给定规则。最关键的一点是，安全规则没有被写死在模型参数里，而是以可编辑文本形式存在，用户可以根据场景自定义安全边界。

这意味着同一条行为轨迹在不同安全规则下可以得到不同结论。应用方更新策略、组织调整权限边界、用户增加个人约束时，不需要为了改变安全边界而重新训练模型。论文将其定位为首个面向移动/GUI 智能体执行轨迹进行“规则感知”安全审计的模型，这一“首个”表述为团队自述，尚无第三方独立核实。

输出也不是一个二元标签，而是三部分：违规判定（Violation）、风险类别（Category）和基于轨迹证据的解释（Rationale）。对安全审计而言，“为什么判定违规”与“判得对不对”同样重要，因为人工复核、规则修订、事故溯源和合规证明都需要一条可被人读懂、可被重新核查的证据链。