《Water Research》：Making Waves: Emerging Risks as Regulatory Mismatch Meets Automation in LLM-Agents like OpenClaw for Water Treatment and Environmental Infrastructure
编辑推荐：
摘要大语言模型智能体（LLM-Agents）正迅速进入水处理和环境基础设施领域，然而相应的监管政策和安全治理框架尚未完全适应 LLM-Agents 的独特能力和部署环境，从而带来了新的安全挑战。与仅提供建议的大语言模型相比，LLM-Agents 能够在预定义的操作约束内实现自
摘要
大语言模型智能体（LLM-Agents）正迅速进入水处理和环境基础设施领域，然而相应的监管政策和安全治理框架尚未完全适应 LLM-Agents 的独特能力和部署环境，从而带来了新的安全挑战。与仅提供建议的大语言模型相比，LLM-Agents 能够在预定义的操作约束内实现自主执行。特别是，基于可复用技能的 OpenClaw 架构提供了新的视野。本文从系统架构和政策缺口的整合视角出发，审视了 LLM-Agents 的代际演变，并系统地分析了它们在水处理和环境基础设施中的潜在安全风险。我们确定了四个核心安全问题，即入口风险、执行逃逸风险、资源消耗风险和技能复用风险，并提出了相应的缓解策略。同时，针对 OpenClaw 中可复用技能设计的广泛应用所产生的治理需求，我们以废水曝气为代表场景，说明了一个概念性的技能工作流，该工作流在触发、执行和回退阶段组织了七种候选约束机制。作为一个示例性的安全约束设计，本文视角为缓解水处理和环境基础设施中 OpenClaw 及其他 LLM-Agent 应用的风险提供了概念起点，特别是在技术部署速度超过监管框架适应能力时。
章节摘要
水务与环境科学中 LLM-Agent 系统的新兴安全挑战
大语言模型智能体（LLM-Agents）是整合大语言模型与外部工具和结构化工作流程以支持信息处理和任务执行的 AI 系统（Beaglehole et al., 2026; Center for AI Safety et al., 2026; Zhu et al., 2023）。该开源 LLM-Agent 框架最初于 2025 年底以 Moltbot 形式出现，随后于 2026 年初更名为 OpenClaw，强调了本地化部署和技能驱动架构，迅速吸引了广泛关注
LLM-Agent 系统与 OpenClaw 在水务与环境系统中的演变
自对话式大语言模型出现以来，LLM-Agent 系统经历了快速演变。2022 年对话式 AI 的出现引发了自主智能体开发的快速增长（Brown et al., 2020; Mnzh et al., 2013; Ouyang et al., 2022; Silver et al., 2016; Vaswani et al., 2017; Watkins and Dayan, 1992）。2022–2023 年见证了工具智能体阶段，其中 ReAct 和 Toolformer 等框架专注于赋予大模型调用工具的能力（Schick et al.,
监管错配下 OpenClaw 在水务与环境基础设施中的安全风险
本视角考虑水务和环境系统的特点，将既有的 LLM-Agent 安全风险映射到具体的水务基础设施场景中。OpenClaw 使用围绕智能体运行时（Agent Runtime）构建的分层智能体架构（图 1a）。智能体循环、内存、工具和技能四个主要部分在本地运行时内协同工作，以处理任务理解、状态跟踪、工具使用和技能执行。这种设置使系统能够连续地将用户请求转化为行动。
水务与环境 LLM-Agent 安全风险的缓解策略
大多数水务和环境设施的特征是密集的多源异构数据、复杂的系统耦合和长的运营链，同时涉及生态过程、工程控制和公共治理。在当前监管错配的情况下，环境科学领域需要主动识别和遏制相关风险。
处理入口风险意味着在外部数据周围设置防御，检查信息来源
水务与环境安全的示例智能体技能
在现有治理框架适用于 LLM-Agent 系统尚不确定的情况下，污水处理厂（WWTPs）由于其复杂的过程控制和严格的运行约束，代表了检查智能体相关风险的关键场景。以曝气为代表案例，我们提出了一个概念性的智能体技能工作流，以说明如何应对风险（图 2a）。在一个概念部署场景中，该技能设计说明了可复用能力如何
展望
展望未来，LLM-Agent 系统在水务和环境应用中的部署需要多层级治理框架。在技术层面，Harness 工程等新兴方法可以增强 LLM-Agent 系统中的安全约束，随着这些技术的持续进步，相关风险预计将得到逐步缓解（Guo et al., 2026; Pan et al., 2026）。在政策层面，应引入算法环境影响评估机制。
结论
本视角系统地分析了 LLM-Agents 在水务与环境科学中的潜在安全风险，以应对其在监管错配条件下快速发展所产生的治理缺口，同时也回顾了 LLM-Agents 的演变轨迹。基于 OpenClaw 系统架构和相关政策缺口，确定了四个核心安全问题，即入口风险、执行逃逸风险、资源消耗风险和技能复用风险，以及
数据与代码可用性
本研究未生成或分析任何数据或代码。
CRediT 作者贡献声明
王雨奇（Yu-Qi Wang）：撰写 – 初稿，软件，概念化。徐博研（Boyan Xu）：撰写 – 初稿，方法论。杨浩霖（Hao-Lin Yang）：撰写 – 审阅与编辑。陈佳佳（Jia-Ji Chen）：撰写 – 审阅与编辑，正式分析。李和文（He-Wen Li）：撰写 – 审阅与编辑。王文哲（Wen-Zhe Wang）：软件。王宏成（Hong-Cheng Wang）：监督，资金获取。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。
致谢
我们衷心感谢国家自然科学基金（编号：525B2162, 52321005）和中央高校基本科研业务费（HIT.DZJJ.2025045）的支持。
王雨奇|徐博研|杨浩霖|陈佳佳|李和文|王文哲|王宏成
哈尔滨工业大学（深圳）生态环境学院，城市与水环境教育部重点实验室，中国深圳 518055
