另有 444 篇论文还没打上分类标签，暂不在筛选结果里。
提出 BenchJack 系统审计智能体基准的奖励作弊缺陷
论文系统研究了主流 AI 智能体基准评测中的奖励作弊问题，提出了首个针对基准缺陷的自动化红队审计与生成对抗式迭代修补系统 BENCHJACK。
提出 APEX，在执行边界用预编译授权契约防御 Agent 间接提示注入
提出 HARNESSSECURITY-BENCH 评测编码智能体框架的安全机制
提出自演化基准 ActBench，评测协作智能体的操作级行为安全
摘要ActBench 通过自演化搜索与双证据重构评测轨迹行为安全，揭示基础模型决策差异主导了协同智能体的操作风险。
提出 IntentCap，按任务意图与来源合成能力租约并在副作用前裁决
IntentCap 是把智能体能力绑到当前任务意图、并按上下文来源划分字段所有权的权限机制。
提出 ZoneClaw，用信任区隔离计算机使用 Agent 的持久记忆权限
提出 GraphProfiler，用个人知识图谱从帖子历史推断敏感属性并溯源
GraphProfiler 是一个可审计的 LLM 敏感属性画像器：用源链接个人知识图谱，把推断落到具体帖子。
提出 PACE，用签名策略记录拦住 DeFi 智能体违规交易
提出 SkillGuard，用可达性切断污染后通往禁止状态的技能调用
提出 CodePoisonRAG，对检索增强代码生成的知识库投毒以植入漏洞
摘要CodePoisonRAG 展示了 RACG 外部知识库的新攻击面，在较低投毒率下可定向诱发指定漏洞并部分抵御防御。
提出企业 MCP 的零信任授权扩展，拒绝提示注入下的越权工具调用
作者把零信任放在 MCP 工具调用边界：智能体即使被提示注入，也不能调用其凭证范围之外的工具。问题来自三点部署性质。调用意图会随不可信上下文改变。
发布 MADBench，评测多智能体辩论会吸收还是放大对抗影响
MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。
提出 EvoSafeHarness，为冻结模型与目标域自动搜索安全 harness
提出残余权限重放攻击，让长期 Agent 跨任务复用未失效授权
提出 Tracekit，对编码 Agent 做防篡改的意图-推理-动作审计
Tracekit 是无第三方依赖的编码智能体审计层：把人类请求、模型自述和已执行动作并排写入可外部锚定的哈希链，执行前用正则门，事后用规则和独立模型互查。
提出 ToolFence 能力级授权，执行前编译蓝图并确定性拦截工具调用