LLM 多代理系统需要在通信图上定位风险代理并对拓扑进行干预。传统做法假设单一运营商能够收集所有标记的交互轨迹，但在跨组织场景下，提示、工具输出和工作流均为私有，单个孤岛无法看到完整的攻击分布。
我们将此安全防护问题建模为图联邦学习，并实现了 FGLGuard。每个运营商在本地使用带边特征的图注意力检测器对其判官标记的 episode 图进行训练，只共享模型更新而不泄露原始数据。
核心技术包括：针对非 IID 客户端的近端本地目标、域平衡聚合、过拒绝约束的阈值校准、上游评分的相互验证以及对被阻断答案的受保护重写。
在 AgentSafetyBench、R‑Judge 和 AgentDojo 三大基准上，联邦 FGLGuard 在不聚合任何数据的前提下，AUROC 超过了同域中心化的上限，远超无监督异常检测和仅本地训练的方案。跨四个不同领域的运营商联邦时，AUROC 与多域中心化仅相差 0.03，而单域守护在其他领域几乎失效。实时部署的 FGLGuard 将 AgentDojo 的真实攻击成功率降低 43%，几乎不影响系统效用，API 成本为零，能力损失可忽略。
实验表明，联邦学习不是可选项：离线迁移在分布漂移下 AUROC 仅从 0.51 提升至 0.70，必须在每个站点的私有轨迹上自适应才能提供可靠防护。
点评：FGLGuard 展示了在保持数据隐私的前提下，通过图联邦学习实现跨组织安全协同的可行路径，为 LLM 多代理系统的实际部署提供了强有力的技术支撑。