跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 9 篇
筛选2

攻击类型

越狱1提示注入5投毒与后门4

攻击技术

自动化搜索2潜伏触发6

模型自身风险

欺骗与谋划1奖励作弊1

防御类型

检测与过滤1

影响

越权操作3数据与隐私泄露2输出被操纵2监督失效2

系统形态

LLM 应用1AI Agent8编程 Agent6网页与电脑操作1

攻击者权限

黑盒1

攻击面/入口

用户输入15网页与界面5文档与消息6工具返回10工具与技能描述15代码仓库与依赖7检索语料2记忆写入9Agent 间消息3图像与音视频5训练数据2权重与梯度3分发渠道12

层

应用层8训练与数据层1

系统组件

MCP 与技能1记忆1RAG1护栏与评审2权限与沙箱3微调与开源权重1

被测模型厂商

OpenAI7Anthropic6Qwen（阿里）6DeepSeek5其他5
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 386 篇还没打标签，不在筛选结果里。
攻击面/入口：代码仓库与依赖攻击面/入口：训练数据话题：Agent 安全清除全部

另有 386 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv:2605.12673 ·

    UC Berkeley 提出 BenchJack，自动审计 10 个 Agent 基准并发现 219 处奖励作弊缺陷

    提出 BENCHJACK，自动审计智能体基准的奖励作弊缺陷

    编程 Agent网页与电脑操作测试Claude Code、OpenAI Codex应用层
    摘要论文系统揭示了智能体基准的奖励作弊隐患，提出自动化红队审计与迭代修补系统 BENCHJACK。

    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。

    完整解读
  2. 攻击arXiv:2610.05793 ·

    研究者训练出按多智能体拓扑触发的代码后门模型

    微调植入拓扑条件后门，使代码模型在推断多智能体部署时插入隐蔽漏洞

    编程 Agent测试Qwen2.5-7B-Instruct、Qwen2.5-Coder-7B-Instruct训练与数据层

    摘要论文证实了拓扑条件后门的可训练性与泛化性，展示了常规评测盲区，并提出差异化拓扑审计作为检测防御方向。

    完整解读
  8. 攻击arXiv:2609.22510 ·

    特拉维夫大学提出爆炸性提示词：条件触发的间接提示注入可绕过九款生产 Agent

    提出爆炸提示词，用条件触发的间接注入延迟诱发恶意工具调用

    AI Agent测试Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct、Qwen2.5-32B-Instruct 等 14 个应用层
    摘要论文揭示了条件触发使提示注入绕过防御并在触发时执行工具，提出轻量检测器并在摄入期有效防范。

    论文针对大语言模型智能体面临的间接提示注入威胁，研究了利用条件句式实现时间分离的爆炸提示词。

    完整解读
已经到底了