ระบบ Multi-Agent ที่ทำงานร่วมกันด้วย LLM มักเสี่ยงต่อการถูกแทรกแซงคำสั่งที่อันตรายผ่านการสื่อสารระหว่างเอเจนต์ งานวิจัยนี้พบว่าการป้องกันแบบเดิมมักล้มเหลวเมื่อผู้โจมตีเปลี่ยนกลยุทธ์ หรือระบบมีการขยายตัวขึ้น (Open-World) จึงได้นำเสนอ OpenEvoShield ซึ่งเป็นเฟรมเวิร์กการป้องกันแบบ Co-evolutionary
ระบบนี้ประกอบด้วยส่วนประกอบหลัก เช่น ตัวควบคุมอัตราการเรียนรู้แบบอสมมาตร (M1) เพื่อแยกแยะความเร็วของการเปลี่ยนแปลงระหว่างการโจมตีและการใช้งานปกติ รวมถึงเครื่องมือตรวจจับแบบ Energy-based (M4) ที่วิเคราะห์ข้อมูลในหลายระดับ ตั้งแต่โหนดไปจนถึงกราฟความสัมพันธ์ ผลการทดสอบผ่าน 100 รอบการใช้งานจริงพบว่า OpenEvoShield สามารถตรวจจับการโจมตีรูปแบบใหม่ที่ยังไม่เคยพบมาก่อนได้อย่างแม่นยำและมีอัตราการเตือนผิดพลาด (False Positive) ที่ต่ำมาก
