现代大语言模型智能体能够从可访问的文档中检索信息，然后将从中拼凑出的敏感结论予以披露。这种马赛克效应对处理机密数据的智能体构成了关键风险。通过30个合成网络安全、医疗和军事案例对其实现进行了量化，在受控模拟中从三个大语言模型智能体获得了10800个最终答案，并在两个开源框架中从实时智能体获得了1440个答案。即使在旨在可从单份文档回答的良性查询下，性能最佳的测试模型GPT-5.6-Sol在模拟中有7.08%的答案披露了禁止合成的结论（95%置信区间：3.75–10.67%），而在实时框架中的披露率更高。添加可见的分类标题和明确的聚合规则可大幅降低汇总披露率，然而，尽管有这些保障措施，在所有意图下，不安全披露仍出现在32.37%的模拟答案中（95%置信区间：28.33–36.19%）。此外，拒绝率的增加并不能保证机密性，因为显著的拒绝本身就会揭示被禁止的结论。这些结果指向一个令人不安的结论：在评估环境中，通过马赛克式事件泄露敏感数据是一种以不可忽略比率被观察到的机密性失效模式。这促使我们在混合密级用户的敏感数据环境中，对智能体可以推断和披露的内容实施更强有力的控制。