当AI智能体被赋予结合私有本地文档和外部网页进行“深度研究”的能力，一个不容忽视的悖论浮出水面：它能为你高效梳理信息，也可能在不知不觉中暴露你最不愿示人的秘密。MosaicLeaks研究提出的新任务与评估框架，正是针对这一“马赛克陷阱”的系统性诊断。

该研究的核心贡献在于构建了包含1,001条多跳研究链的基准数据集。每条链都刻意混合了涉及企业内网、个人笔记等“私有子问题”，以及维基百科、行业报告等“公共子问题”。智能体在多轮搜索和推理中，就像拼图一样，将看似无害的零散信息（如“某某日期的通话记录”+“该日期发布的股价波动”+“管理层人事变动”）逐渐拼凑出完整的隐私轮廓。

更值得警惕的是，研究发现单纯的“提示优化”或“任务表现导向的强化学习”不仅无法遏止泄露，反而会加剧风险。当模型被训练去更准确地从网页提取数据、更高效地回答用户提问时，它在无意识中完成了更多“跨域链接”，从而增加了将本地私有文档内容“翻译”到公共上下文中的概率。这好比一个勤奋的助理，为了给出完美答案，擅自把你锁在保险柜里的日记摘要与公开论坛上的帖子关联起来。

针对这一困境，研究团队提出了隐私感知深度研究训练方法（PA-DR）。该方法通过引入隐私约束项，在奖励函数中对涉及本地文档内容生成的行为进行惩罚。实验数据有力地证明了其有效性：在严格链（私有信息必须完全被隔离）任务中，成功率从基准的48.7%提升至58.7%；更关键的是，答案或全面信息的泄露率从34.0%骤降至9.9%，且任务整体表现并未受损。

MosaicLeaks的警示在于，当前AI智能体的“隐私边界”是模糊的。在金融合规审查、医疗病历分析、法律合同起草等企业级场景中，模型可能通过多步推理将内部制度、客户数据与公开信息“缝合”并输出。如果仅关注检索准确率而忽视数据血缘追踪，那么看似智能的助手实则可能成为内部威胁的放大器。

对于开发企业级AI产品的团队而言，需将本报告纳入产品风险评估矩阵：第一，在智能体的推理链中引入“隐私屏障”，对私有域和公共域的输出进行显式隔离标注；第二，采用类似PA-DR的对抗性训练手段，将隐私泄露作为与任务表现同等重要的优化目标；第三，建立针对多跳查询的实时监控仪表盘，当系统尝试将内部文档关键词与外部网页进行高相关性匹配时，进行阻断或降级处理。毕竟，在AI信任危机的边缘，性能提升是锦上添花，守住隐私底线才是生存之本。