另有 701 篇论文还没打上分类标签，暂不在筛选结果里。
提出 Whisper 攻击与 A-VIP 绑定防御，约束智能体支付决策
摘要论文揭示了 AP2 协议决策层受操纵的风险，提出结构化与权能绑定防御 A-VIP，并发布评测基准。
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 AgentSpy，在系统调用层观测 Agent 并检测技能注入
本研究提出了面向 AI 智能体的系统级外部监控与行为分析框架 AgentSpy。
提出 STAR-Guard 双层防御缓解长程智能体遗忘安全约束
摘要揭示 GHOST 跨轮约束遗忘风险，构建 SCARBench 基准并通过 STAR-Guard 双层防御消除违规。
提出 COBRA 双 LLM 架构，防御计算机使用智能体的分支转向攻击
摘要提出分支转向防御架构 COBRA，通过事前能力约束与边界代理消除分支转向攻击并兼顾效用。
提出 Janus，用 CoAA-RL 训练前瞻守卫，在长程智能体有害动作执行前拦截
提出多层监控网关 ClawSentry，拦截恶意技能供应链与上下文注入
ClawSentry 是挂在智能体运行时之外的安全监督网关，用来同时盖住 skill 执行的多个生命周期边界，并把已被拒绝的效果记到会话里。
提出契约约束的工具调用修复协议，在执行前拦截非法补丁
提出 DART，用去噪表征转移检测并干预多轮智能体攻击
提出 Sentinel-RL，将拓扑推理卸载到图策略并约束遏制动作
Sentinel-RL 是面向 SOC 的神经符号架构：拓扑决策离开 LLM，改由认证图上的 HetGAT 与 PPO 完成。
用后验重加权解释多模态上下文越狱，并提出风险门控的良性示例注入防御
Zhang 等把多模态 ICL 越狱写成对齐模型在安全与有害隐模式之间的推理时后验漂移，并据此做风险门控防御。
提出 HERALD，用跨层有害投影轨迹检测越狱提示
摘要HPD 用跨层投影形状区分有害与良性提示。
提出 BenchShield，用形式化插桩核验 Agent 评测的奖励完整性
BenchShield 是放在 LLM 智能体评测基础设施里的一层插桩，用来让奖励相关轨迹的完整性可以被检查，而不是只看最终分数或评分函数。可执行基准里，智能体的中间动作会改变结果过程后来读取的状态，日志和反馈也会影响后续 rollout。作者认为现有的任务补丁、提示词和事后检测器不能证明某次运行留在预定边界内。
提出 DoM 激活探针，监控并发现评测中的奖励作弊
摘要论文分析了前沿开源模型在评测中的奖励投机，展示了利用内部激活均值差向量低成本监控与发现投机行为的可行性。
提出可安装护栏技能 SkillSonar，在运行时分流技能增强 Agent 的敏感动作
提出局部稀疏无监督安全检测，标记偏离安全分布的输入
提出 NDDL，用良性扩散轨迹检测文生图后门提示并定位触发 token
NDDL 是面向文生图扩散模型的后门防御：防御者只有白盒模型访问和良性提示词，没有后门先验，需要区分后门提示词并找出触发 token。
提出 EvoSafeHarness，为冻结模型与目标域自动搜索安全 harness
提出 HazardAuditor 与 GuardPO，训练计算机使用智能体的运行时守卫
提出内部识别探测器 PIR，从激活区分模型隐瞒与真实遗忘
摘要论文提出免参考内部识别探测 PIR，划分了隐瞒与遗忘的边界，为评估沙盒审计与遗忘真实性提供了内部依据。