随着基于大型语言模型（LLM）的智能代理具备推理、总结和记忆能力，在线内容面临新的威胁，而传统防御措施无法应对。现有的防御措施，如访问控制，容易被模仿普通浏览器的代理绕过，而基于注入的防御措施往往会降低人类可读性。
本文重新审视代理管道，识别出代理常常调用的上下文压缩作为一个关键且被忽视的防御层。我们提出了CAPE框架，通过注入不可见扰动来保护高价值文本内容，而不改变其人类可见的表面形式，从而在代理压缩过程中导致严重的信息损失。
CAPE从可访问的替代压缩器中提取破坏性种子扰动，然后通过先验指导进化和偏好校准候选优先级将其适配到仅查询目标压缩器，实现了在低查询预算下的有效保护。
对三种内容类型和四种压缩设置的实验表明，CAPE在保持受保护内容与原始内容视觉上无差异的同时，信息损失提高了最高75.8%，超越了最强基线。CAPE还可迁移到现实世界设置，包括LangGraph代理工作流和GitHub Copilot，突显了其普遍性和实际价值。本文旨在揭示上下文压缩作为新的防御层，推动代理时代的内容保护研究。
博主点评： CAPE框架的提出为应对日益复杂的智能爬虫提供了创新思路，通过利用上下文压缩这一新防御层，有效提升了内容保护的可靠性。这一研究不仅具有理论意义，也为实际应用提供了重要参考，显示出在技术快速发展的背景下，内容保护领域仍有广阔的探索空间。