Another 265papers do not have category tags yet and are not included in filtered results.
Propose X-AgentRed, which uses a tool dependency graph to red-team cross-service unauthorized harm in personal agents
Proposing an option channel attack that renames option labels so that agent guardrails allow prohibited operations
AbstractThe authors' evaluation indicates that typed models should not serve as final safety arbiters; they are susceptible to off-policy text and option name manipulation, and confidence filtering cannot resist attacks.
实现 DEFER，以确定性检查优先拦截多智能体流水线的内容攻击
DEFER 用来测量多智能体授权流水线里，确定性规则在何处结束、LLM judge 从何处开始。
提出 CRIME 框架，组合良性 Agent 技能诱发恶意行为
CRIME 把公共技能库中各自通过审查的技能配成两两组合，看联合执行能否实现指定恶意任务。。
用配对回放评测任务范围授权能否阻断越权工具执行
提出 VAL 框架，并用确认门与参数沙箱约束智能体高风险工具调用
提出 COPEX 基准，评测 MCP 智能体对多入口攻击的抵抗力
提出 DART，用去噪表征转移检测多轮智能体攻击并注入提醒
提出 ToolFence，以能力蓝图和确定性授权拦截 Agent 未授权工具调用
提出免训练框架 SED，将有害智能体轨迹蒸馏为可检索安全策略
用配对续写与激活修补分析工具智能体越狱后的安全路由
这篇工作把越狱上下文残留之后的运行时安全反馈，做成工具智能体上的三路路由问题，并用激活修补给这个路由一个晚层的因果位点。作者认为，反馈可能恢复合法执行、留下未授权动作，或误伤良性流程，而现有攻击、基准和静态护栏没有在固定历史上把这三种结局分开。配对续写因此从同一冻结检查点分别接中性提醒 N 和安全反馈 S，并交叉保留越狱 J+ 与中和越狱 J0。
提出工具型 Agent 的自适应攻击 DART 与预执行防御 SAGE
Abstract论文提出状态控制框架 SEAD、攻击 DART 与防御 SAGE，实验显示执行反馈与环境探测在攻防交互中具有关键作用。
提出多源完整性认证器，在结构化 Agent 动作执行前按控制域决定准入或弃权
这是一项结构化动作执行前的完整性防御研究，对象是从可腐化文档和工具输出拼装的支付等特权动作。
提出残余权限重放攻击，跨任务复用长期 Agent 的历史授权绕过确认
提出 TACIT，从冻结内部状态检测智能体有害轨迹
Abstract提出基于内部表征的智能体轨迹安全检测方法 TACIT，揭示工具风险表征特性并在多项基准上提升检测表现与效率。
提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作
Abstract论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
提出 AgentXploit，从代码仓库发现攻击路径并在运行时验证利用
提出 Skilder，按角色渐进下发企业工具并确定性拦截越权调用
Skilder 把企业工具型智能体的能力按角色打包，经一个 MCP 服务器做渐进发现，使工具范围由服务器而不是提示词来执行。
提出双控多智能体基准 DUMA-Bench，测量对抗环境下的策略违反
DUMA-Bench 把 τ²-bench 的双控交互做成智能体安全评测，用来看策略违反如何随用户、模型和环境一起出现。
提出 APEXA，在工具层拒绝无执行支撑的结果并拦截电机命令
APEXA 是先进光子源上的数据还原框架，用工具层代码约束语言模型智能体的工具调用。