随着人工智能应用从“生成式”向“代理+自主执行式”的转化，智能体（AI Agent）也逐渐开始在科研、办公、生产、消费、金融、医疗等领域承担起流程自动化、业务执行、跨系统协同、数据查询处理、人机交互等复杂工作。为了应对智能体发展的机遇和挑战，2026年5月8日，国家互联网信息办公室、国家发展和改革委员会、工业和信息化部联合印发了《智能体规范应用与创新发展实施意见》，这是国内首部聚焦智能体的系统性政策文件，标志着智能体应用进入规范发展的新阶段。

与传统大模型主要生成合成内容不同，智能体能够根据程序的设定和算法的能力进行感知、记忆、决策、交互与执行，触达业务系统与核心数据。人工智能的能力跃迁将带来风险的复合化，使得传统网络安全所关注的数据边界、权限体系和系统链路的边界模糊化，从而带来新的法律。本文拟从智能体的法律属性入手，梳理其在数据安全、行为归属、内容合规与责任划分等方面的主要法律风险，并提出相应的合规应对思路。

1、智能体概述

智能体是一种运用多种人工智能技术构建的，能够感知环境、进行推理决策并执行复杂任务的软件系统。与传统的自动化程序不同，智能体具备一定的自主性和适应性，能够在动态变化的环境中调整自身行为。例如，在智能客服场景中，智能体可以根据用户提问的上下文自主选择回答策略，而非机械地匹配关键词。其结构通常包含感知模块、决策模块和执行模块。感知模块负责收集环境信息，决策模块依据感知到的信息进行分析和决策，执行模块则将决策转化为实际行动。这种模块化设计使得智能体在复杂任务中展现出较强的灵活性和适应性。

与大模型相比，大模型主要关注语言生成和理解能力，而智能体更强调在真实环境中的自主行动和任务执行能力。大模型依托深度学习和大规模语料库训练，通过概率预测生成文本；智能体则在此基础上进一步整合感知、决策与执行能力，能够与环境进行交互并完成具体任务。如果把大模型比作具有思考能力和语言输出能力的大脑，智能体则更像是能够自主行动的完整个体。

在当前常见的人工智能系统中，通常包括以下三大模块：其一，思考/语言分析能力，一般由智能体的工具调用模块通过接口调用大模型的能力完成；其二，执行/行动能力，一般由智能体（Agent）承担，该模块通常包含人机对话管理、任务执行、记忆机制等，使智能体能够灵活调用外部工具和知识库；其三，特定技能（Skill），用于处理特定领域的专业任务或调用外部工具。例如，通过调用图像识别技能，智能体可以处理视觉信息；通过调用计算技能，它可以进行复杂的数学运算。

2、智能体的法律属性

如何从法律上对智能体进行定性，是当前人工智能法律研究中的核心问题之一。在卷积神经网络及深度学习等人工智能技术出现之前，机器或自动化程序是一个忠实的执行者，通过预设及执行程序帮助人类提高工作效率，但其自身并不具备自主判断、自主学习、自主决策的能力，所有行为实施过程均处于人类使用者的管控、干预之下。按照法律的基本原则，行为产生的法律效果与权利义务、责任，均直接归属于发出指令、管控设备的自然人或法人主体。而依托深度学习算法，并通过海量数据持续训练优化，当代人工智能技术在一定程度上突破了机器行为的被动边界，在部分环节上具备了脱离人工干预独立完成一定工作的能力。

虽然当前在法学研究领域，人工智能是否具有独立的法律人格已经作为一个前沿问题在探讨，但从现行法律制度的基本逻辑和主流观点来看，智能体并不具备独立的法律主体资格，其在法律地位上更接近于一种自动化工具，行为后果原则上归属于使用者或控制者。

不过，对于使用者而言，智能体虽非法律主体，但其自主行为引发的风险与责任却真实存在。当智能体在未接受直接指令的情况下自主做出决策，或者虽然有用户的直接指令，但其决策与执行逻辑超出了用户的合理预期并造成损害时，责任归属问题会变得更为复杂。例如，智能体在用户设定的程序下自动回复邮件时，可能因语义理解偏差而措辞不当，甚至做出对用户不利的回复。此时，该类回复是否能够视为用户的真实意思表示，其后果是否必然由用户承担？如果由用户承担，用户是否享有向智能体开发者进行索赔的权利？这些都是智能体应用中需要考虑的法律问题。此外，智能体的语言理解与输出，很大程度上需要调用第三方大模型能力；如果智能体对任务的理解或决策不当系模型能力所致，则又涉及第三方大模型服务提供者的责任分担问题。

综上，虽然当前法律界对于智能体是否具备独立法律人格仍存争议，但将其视为自动化工具、由其使用者与控制者承担相应的法律责任，是法律制度作出重新界定之前较为务实且可行的责任确定方式。因此，从法律意义上讲，在当前的法律规制下，智能体可以视为本人行为的一种辅助工具或自动化执行工具，其产生的法律后果通常应由使用者承担。这也是我们关注智能体法律风险的一个重要视角。

1、数据安全风险

一般在讨论人工智能安全的过程中，通常会关注大模型应用过程中的数据安全问题。例如，在调用大模型的过程中，用户会向模型输入特定的问题，或者上传相关资料；在利用大模型进行诉讼案件分析时，会向模型上传对方的诉状、证据材料以及本方的证据材料。这一过程，使得大模型服务的提供者被动获取了用户上传的相关数据。

（1）大模型调用带来的数据安全风险

在智能体应用的场景下，用户通过智能体与大模型服务提供者发生数据交互，但用户对于此类数据交互的感知并不明显——其直接的感受是与智能体应用进行交互。用户对于大模型服务提供者的数据安全政策、数据保护能力与数据合规措施并不了解。但是，无论是直接或间接调用大模型的能力，用户与模型服务提供者之间的数据交互都是客观发生的。在用户直接使用大模型的场景下，数据安全的法律责任判定较为清晰，但在智能体应用环境下，这一责任的判定将更为复杂。此外，数据在提示词（Prompt）、上下文、检索增强生成（RAG）知识库、调用日志及评测数据链路中流转时，其可访问范围和保存周期可能在不知不觉中被放大，从而突破《个人信息保护法》所确立的目的限定、最小必要和存储期限等基本原则。

（2）知识库构建过程中的数据安全风险

在云部署模式下利用智能体平台搭建特定知识库的过程中，也会面临相应的数据安全风险。相较直接调用大模型，特定领域知识库的构建无疑使其更能适应特定任务。在云部署模式下，如果将蕴含自身商业秘密、特定知识与技巧的非公开信息上传至云端的知识库，则可能带来数据安全风险。当然，智能体平台与用户之间通常通过用户协议约定了数据安全责任，但由于数据离开了用户的安全域，实际上是增加了数据暴露的风险。即使这些数据未被直接提供给第三方，但是也不排除数据被用于特定领域模型的训练或调优。

（3）智能体获取应用系统权限带来的数据安全风险

智能体应用过程中，构建了自然语言识别与生成、决策、执行等多重能力，而为了实现相关能力，必然需要对相关系统具有访问或调用权限，比如本地的文件夹、知识库等。这种权限的开启，使得智能体能够调用相关系统的数据，从而可能会带来相应的数据安全风险。如果智能体受到恶意攻击，或篡改智能体的决策逻辑，则可能导致敏感数据泄露。近期发布的《人工智能安全治理框架》3.0已为智能体安全设置独立章节，并提示“越权操作风险”“提示词注入攻击风险”等新型风险，值得企业高度关注。

2、"代理人"风险

如前所述，智能体实施的活动，应被视为用户行为的延伸，代表用户的意思表示，并由用户承担相应的法律后果。如果智能体因算法缺陷、数据偏差或外部攻击而做出错误决策，或者执行了违背用户真实意图的操作，其产生的法律后果仍将由用户承担。

由于智能体本质上属于一种自动化机器，因而智能体做出的行为视为用户本人的行为。但是，由于智能体的决策过程具有一定的自主性与黑盒特征，其行为往往难以被用户完全预见或实时监控，这一点，和委托人将特定事项授权给代理人的模式有一定的相似之处。因此，为了更为形象地描述智能体带来的风险，本文将智能体不当行为引发的风险简称为“代理人风险”。这种“代理人风险”是智能体自主性带来的伴生风险，智能体本身具有完成特定任务的规则与目标，但在复杂多变的实际任务与环境中，其执行路径可能会超出用户的预设范围。

例如，智能体在自动处理邮件时，可能因语义理解偏差将机密附件误发给无关人员，导致敏感信息泄露，进而引发严重的合规危机与商业损失；也可能因语义理解偏差，在邮件内容中承认或认可对方的不当主张，或者有明确的表态与承诺性措辞，还可能被对方视为合同要约或债务确认，从而在无意中构成对己方不利的法律自认。

从交易相对人的角度看，在邮件自动处理场景中，智能体根据接收到的邮件内容、收件人信息等，依据邮件发送协议（如SMTP）进行邮件的发送操作。其行为主体就是掌握相应邮箱权限的主体，即智能体用户本人。交易相对人的举证责任相对较轻，只需证明邮件系特定邮箱发送即可。

配置SMTP邮件发送功能本身并不会直接导致向第三方发送不实邮件，然而，如果智能体的决策逻辑存在缺陷，或者被恶意攻击者控制，就有可能利用SMTP功能发送不实邮件。对于智能体用户而言，在证明智能体实施的行为并非本人真实意思表示的过程中，可能因技术门槛高、专业性强而面临举证困境。即使证明智能体的邮件自动处理行为并非本人真实意思表示，或者证明智能体算法机理存在缺陷，也往往因此种情况下的法律责任承担机制模糊，而无法完全免责。

3、内容合规与标识风险

智能体在执行任务过程中，往往会自动生成、编辑并对外发布内容。一旦生成内容包含违法信息、虚假信息，或者侵害他人名誉权、肖像权、隐私权、知识产权，智能体使用者将面临内容合规风险。同时，依据《生成式人工智能服务管理暂行办法》《互联网信息服务深度合成管理规定》《人工智能生成合成内容标识办法》等规定，对生成合成内容负有添加显式标识、隐式标识的义务；智能体若在自动发布环节遗漏标识，或者对标识进行删除、篡改，还可能构成违规。

4、第三方主体责任划分风险

智能体应用功能通常并非由单一主体独立完成，而是由基础大模型提供者、智能体开发者、云平台服务商、技能（Skill）提供者以及最终用户共同参与。当损害发生后，责任在各方之间如何划分，往往成为争议焦点。如果损害源于基础模型能力缺陷，用户可否向基础模型服务提供者追偿？如果源于智能体或第三方技能的安全漏洞，责任如何承担？现行法律尚未就此类责任进行清晰界定，实践中需依据《民法典》侵权责任编的一般规则，结合各方对损害发生的过错程度进行具体判断。2026年9月7日最高人民法院发布的《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10号）即明确，认定涉人工智能侵权责任时，应当综合考量人工智能应用的具体场景、自主化程度、技术与信息透明度、潜在风险及影响范围，以及相关主体为预防和减少侵权所采取的措施及技术上的可能性等因素，为责任划分提供了裁量框架。

针对上述风险，智能体应用的合规管理应对可以从如下方面展开。

1、智能体本地化部署与云端应用的选择

使用云端智能体平台还是本地化部署智能体，考量因素是多样的：

其一，成本因素。云端部署通常具有初始投入低、弹性扩展快、运维负担轻的优势；本地化部署则在硬件、算力、运维和安全团队方面需要持续投入，成本相对较高。

其二，数据安全因素。云端部署意味着数据将离开本机构的安全域，进入平台方及大模型服务方的存储与处理环境，增加数据暴露面风险。本地化部署可使数据留存于内部网络，实现数据不出域名，更有利于数据处理过程的安全可控。

其三，系统更新时效因素。一般来说，运算部署的智能体系统在更新速度、技能迭代方面具有一定的时效优势。本地部署的系统则需要采用定期升级策略，从用户体验角度可能相较云端部署不占优势。

基于上述考虑，针对不同的使用场景，可以采取不同的部署方式。

（1）如果利用智能体主要处理公开信息及敏感度较低的数据，出于成本考量，可优先采用云端部署方式，从而降低成本、提升效率。当然，云端部署并不意味着放弃对于数据安全与合规的要求，在采用云端部署的智能体应用时，依然需要关注智能体厂商的数据安全协议及用户协议约定，并需要关注智能体所调用不同大模型的用户协议和数据安全协议约定。

（2）如果利用智能体主要处理涉及核心商业秘密、重要数据、敏感个人信息乃至涉及国防、军工领域数据、政务数据，则宜采用本地化部署或专有云部署。实践中，核心数据本地处理、非核心数据云端处理等混合部署模式，可以作为兼顾成本与安全的选择。

2、智能体调用大模型的选择

在智能体应用中，程序调用的大模型是否为境外大模型，也需要予以重点关注。当然，当前主流厂商的智能体，基于合规考虑，所调用的大模型一般为境内模型。在调用境内大模型的场景下，数据交互发生在境内，且模型服务提供者通常已完成算法备案、模型备案、安全评估等合规程序。

而在调用境外大模型的场景下，则可能引发数据出境的合规问题。依据《数据安全法》《个人信息保护法》以及《数据出境安全评估办法》《个人信息出境标准合同办法》《促进和规范数据跨境流动规定》等规定，向境外提供个人信息、重要数据需履行相应的安全评估、标准合同备案或认证程序。如果调用境外大模型处理境内的数据，则会引发相应的合规风险。

基于上述因素，在选用相关智能体服务时，应关注其调用的大模型是否部署在境内，对于可能调用境外大模型的智能体应用，应谨慎使用。在涉及个人信息、重要数据其他敏感信息的数据处理场景下，不应调用境外模型。确需调用境外模型的，应完成数据出境合规程序，并对输入内容进行必要的脱敏处理。

3、知识库的本地化选择

对知识库进行分类分级治理，是控制数据安全风险的关键。可按照数据敏感程度将知识库划分为三类，并采取差异化的存放与访问策略：

其一，行业知识、法律法规等公开知识。法律法规。即法律法规、司法解释、裁判文书等公开资料，以及公开或半公开的行业知识、政策资料等，敏感度较低，可存放于云端知识库，但应注意资料来源的权威性与时效性。同时，考虑到行业知识库、法规库等数据库以MCP方式开放，在部分领域，自建此类知识库的必要性或价值也在下降。

其二、特定行业领域半公开知识。虽然具有一定的公开性，但通用数据库中此类数据有限，竞争主体获取此类数据需要一定成本，但门槛并不高。对于此类知识敏感度相对较低，也可存放于云端知识库。

其三，企业沉淀的特定专业知识或商业秘密。此类数据敏感度最高，应优先本地化部署，或通过私有化、专有云方式部署，并严格落实访问控制、最小权限、加密存储和操作留痕等措施。对于确需上传至云端知识库的部分，宜先行脱敏、拆分或去标识化处理。

4、建立健全智能体应用的内部治理机制

智能体的推广应用，已经成为很多机构降本增效的重要举措。作为新的生产工具乃至新质生产力的代表，智能体应用也应纳入机构的内部治理范围，并建立相应的治理机制。笔者认为，以下方面应予着重关注：

其一，明确决策权限边界。依据《智能体规范应用与创新发展实施意见》的要求，在遵守法律法规、尊重社会公德和伦理规范的前提下，应厘清"仅限用户本人决策、需由用户授权决策和智能体自主决策"等各种决策方式的合理边界及所需权限，确保用户对智能体自主决策享有知情权和最终决策权，智能体执行操作不得超出用户授权范围。这意味着，在机构内部，对于哪些操作权限不应被智能体接管、以及被智能体调用的权限范围，应有明确的操作指引与合规管控措施。

其二，建立人工复核与熔断机制。对涉及重大权益、高风险或不可逆后果的操作（如对外付款、对外发布、、特定邮件发送、文件确认等），应设置人工复核、确认或事后复核环节，并预设可及时中止智能体运行的机制。

其三，落实日志留痕与行为可追溯。对智能体的输入、决策、工具调用、其他应用系统的权限调用和执行结果进行完整记录，既便于事后审计与纠纷举证，也有助于进行内部追责和应对监管调查。

其四，强化供应商与合同管理。在与智能体服务提供者、大模型服务提供者、技能提供者的协议中，明确数据用途限制、安全保障义务、责任分担与赔偿条款，避免合规风险的不适当转移。

智能体以其自主性、协同性和可执行性，正在成为人工智能落地的重要应用，但其带来的安全与合规风险也更为复杂。智能体在现行法律制度下仍属自动化工具，其行为后果归属于使用者，但这并不意味着使用者应当独自承担全部风险。在数据安全、行为归属与责任划分等维度应建立清晰的合规边界。在部署方式、模型选择、知识库治理、内部机制上形成体系化的应对措施，既是防范自身法律风险的需要，也是促进智能体规范、有序、创新发展的应有之义。随着相关法规及司法裁判规则的完善，企业应在智能体应用领域建立全流程的合规机制。