把企业合同丢进深度研究智能体，让它顺带搜几篇公开行业报告做交叉验证——听起来很合理，对吧？ServiceNow 的研究团队偏要把这个场景拆开看，结果发现马赛克式隐私泄露远比想象中普遍。所谓马赛克效应，就是智能体在执行多跳研究链时，把分散在本地私有文档和外部网页里的碎片信息拼到一起，单看每一片都不敏感，拼出来却足以还原出完整的机密内容。为此他们构建了 MosaicLeaks 基准，包含 1,001 条精心设计的多跳研究链，每条链都交错混合本地子问题与公共子问题，逼着智能体在两者之间反复横跳。
测试结果相当难看：主流深度研究智能体在尝试作答的过程中，频繁无意识地把私有片段吐进答案。更有意思的是，单纯优化任务表现——比如改提示词、换更强的模型——不仅没减少泄露，反而让泄露率从 29.1% 飙升到 34.0%。智能体越聪明，拼接越卖力，泄露反而越严重。这说明隐私问题不是靠"小心一点"就能解决的结构性缺陷，必须从训练层面动手。
基于此，团队提出隐私感知深度研究（PA-DR）强化学习方法，核心思路是把隐私约束直接编入奖励函数，让智能体在追求正确答案的同时学会"闭嘴"。效果相当硬核：严格链成功率从 48.7% 拉到 58.7%，答案层面的信息泄露率从 29.1% 砍到 8.5%，全面信息泄露率更是从 34.0% 压到 9.9%。换句话说，模型既变聪明了，又管住了嘴。对所有做企业级 agent 产品的团队来说，这是一记响亮的提醒：你的智能体越能跨数据源干活，隐私护栏就越不能事后补——得从训练第一天就嵌进去。
