Neuro-Agentic Control：面向工业 IoT 安全控制的 LLM Agent 框架¶
初读范围：本文基于 arXiv 元数据、摘要和公开条目信息建立阅读卡片；尚未完成 PDF 全文逐段复核、闭环控制安全性核验或实验复现，因此保持
UNVERIFIED / UNREVIEWED。
为什么值得读¶
工业 IoT 的安全控制不像普通网页告警，误操作可能造成停线、设备损坏甚至安全事故。LLM agent 能理解上下文和生成决策建议，但幻觉和越权动作在闭环控制中不可接受。Neuro-Agentic Control 正好把这个矛盾摆到台面上。
这篇论文适合放在 Layer 7，因为它从工业应用场景出发，讨论 AI agent 如何进入 OT 安全控制链路。
论文要回答的问题¶
- 工业 IoT 安全控制为什么需要比规则系统更强的语义推理。
- LLM-powered agent 如何感知状态、选择控制动作并解释决策。
- 深度学习组件和 LLM 组件如何协作。
- 闭环控制中如何处理幻觉、延迟和不可逆动作风险。
初读要点¶
| 组件 | 可能职责 | 风险 |
|---|---|---|
| Sensor/OT state | 提供工业现场状态 | 数据不完整或延迟 |
| Deep model | 检测异常或预测风险 | 分布漂移 |
| LLM agent | 解释、规划和选择动作 | 幻觉与越权 |
| Security control | 执行隔离、限流或告警 | 误动作代价高 |
放进全栈框架¶
- Layer 6 提供 ICS 安全和访问控制边界。
- Layer 5 提供 agent 推理与模型能力。
- Layer 7 用工业场景验证是否能安全闭环。
初读结论¶
这篇论文的关键问题不是“LLM 能不能控制安全设备”，而是“在什么护栏下才可以参与控制”。后续深读必须核验动作空间、人工确认点、失败回滚和安全评估，而不能只看自动化效果。
后续核验清单¶
- 抽取 agent 架构、输入状态和控制动作集合。
- 核对实验是否在真实 OT 环境、仿真环境或概念验证中完成。
- 标注人工确认、权限隔离和安全回滚机制。
- 对接
zero-trust-iot、ics-protocol-security与devsecops-iot。
参考文献¶
[1] S. Gopali, B. Chhetri, D. Giri, S. Siami-Namini, and A. S. Namin, "Neuro-Agentic Control: A Deep Learning-based LLM-Powered Agentic AI Framework for Controlling Security Controls," arXiv:2607.09076, 2026.