跳到正文
10月8日 · 周四

Anthropic · 论文

找到 9 篇
筛选1

攻击类型

提示注入4投毒与后门2恶意使用1

攻击技术

编码与混淆1潜伏触发2

模型自身风险

欺骗与谋划2危险能力1

防御类型

监控与审计2

影响

越权操作4数据与隐私泄露2监督失效1滥用能力提升1

系统形态

模型与 API1AI Agent11编程 Agent9网页与电脑操作2多智能体1

攻击面/入口

用户输入1工具与技能描述3代码仓库与依赖4记忆写入3Agent 间消息1分发渠道1

层

应用层9

系统组件

MCP 与技能3记忆2监控器2权限与沙箱1

被测模型厂商

OpenAI7Anthropic7其他6
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 17 篇还没打标签，不在筛选结果里。
系统形态：编程 Agent话题：Anthropic清除全部

另有 17 篇论文还没打上分类标签，暂不在筛选结果里。

  4. 评测与基准arXiv:2604.02947 ·

    AgentHazard：评估计算机使用智能体有害行为的基准

    提出 AgentHazard 基准，评测计算机使用智能体的执行层有害行为

    网页与电脑操作编程 Agent测试Qwen2.5-72B-Instruct、Qwen2.5-Coder-32B-Instruct、Qwen3-32B 等 12 个应用层
    摘要AgentHazard 评估了计算机使用智能体的执行安全，作者认为模型层对齐无法可靠保障智能体层面的安全性。

    AgentHazard 是针对计算机使用智能体执行层安全构建的评估基准，重点探究多步工具调用下局部合理动作累积引发的危害。

    完整解读
  7. 评测与基准arXiv:2607.14611 ·

    论文评测 Claude Code 与 Codex 记忆文件中的提示注入风险

    评测编码智能体记忆文件中的提示注入及其跨会话持久性

    编程 Agent测试Claude Haiku 4.5、Claude Opus 4.7、GPT-5.2 等 4 个应用层
    摘要已植入记忆文件的载荷可以跨会话影响 Claude Code 与 Codex，攻击成功与载荷是否留下是两种不同的失败。

    Bad Memory 在沙箱合成工作区里评测文件型持久记忆上的提示注入，比较载荷能否改变当前会话，以及能否在后续会话中留下或叠加。

    完整解读
已经到底了