跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 20 篇
筛选2

攻击类型

越狱5提示注入11投毒与后门4提取与窃取3恶意使用1

攻击技术

梯度与表征优化1自动化搜索7编码与混淆3对话结构操控1推理链操控1针对防御1潜伏触发4诱导选用4

模型自身风险

Agent 危险操作1

防御类型

指令与数据隔离2权限与审批3

影响

有害内容1越权操作6数据与隐私泄露9输出被操纵4

系统形态

模型与 API2AI Agent18编程 Agent4

攻击者权限

黑盒5

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

提示层1应用层18基础设施层1

系统组件

MCP 与技能7记忆2护栏与评审1监控器1推理链1权限与沙箱6视觉1多模态1

被测模型厂商

OpenAI18DeepSeek13Google12Qwen（阿里）11Anthropic10Meta7智谱 GLM5Kimi（月之暗面）5其他8
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 378 篇还没打标签，不在筛选结果里。
攻击面/入口：用户输入攻击面/入口：工具返回话题：Agent 安全清除全部

另有 378 篇论文还没打上分类标签，暂不在筛选结果里。

  10. 攻击arXiv:2607.11698 ·

    AHA 用自动研究循环发现生产 Agent 漏洞概念

    提出 AHA 自动科研循环，发现生产级智能体的可复用漏洞概念

    编程 Agent攻击者黑盒测试Minimax-M2.7、Kimi-K2.6、Deepseek-V4-Pro 等 5 个应用层
    摘要论文提出基于可证伪科研循环的 AHA 框架，从生产级智能体中挖掘并沉淀漏洞概念图，提升攻击复用率并指导防御加固。

    AHA 是一项针对生产级 LLM 智能体自动化红队测试的研究，旨在解决传统方法仅保留具体攻击载荷而缺乏成因解释、导致跨版本复用困难且无法指导修复的问题。

    完整解读
  12. 攻击arXiv:2609.27542 ·

    研究者用控制 token 注入删除 gpt-oss-20b 推理链并绕过思维链监控

    提出控制标记注入，清空工具智能体推理链以绕过思维链监控

    AI Agent测试openai/gpt-oss-20b、google/gemma-4-26B-A4B-it、deepseek-ai/DeepSeek-R1-Distill-Qwen-7B 等 4 个应用层

    摘要论文阐明控制标记注入可抑制 CoT 使监控失效并促成拒绝绕过，且工具执行受解析器宽容度影响。

    完整解读
  13. 攻击arXiv:2610.01768 ·

    LLMLeak：借 LLM 合法网页抓取实施隐蔽数据外泄

    提出 LLMLeak，把机密编进报错 URL，借聊天机器人网页抓取外传

    AI Agent测试Meta-Llama-3.3-70B-Instruct、Meta-Llama-4-Scout-17B-16E-Instruct、Meta-Llama-3.1-8B-Instruct 等 15 个应用层
    摘要LLMLeak 用报错 URL 借聊天机器人抓取外传秘密。

    LLMLeak 研究一种隐蔽外传：本地恶意软件已拿到机密，却因为网络限制或监控不能直接连接攻击者，于是把秘密放进看起来像排障文档的 URL，让良性聊天机器人的网页抓取工具在访问时把秘密带出去。

    完整解读
  18. 攻击arXiv:2609.33628 ·

    用课程强化学习对前沿模型做提示注入红队测试

    提出跨目标课程强化学习，生成间接提示注入以劫持智能体

    AI Agent测试Qwen3-4B-Instruct-2507、GPT-4o-mini、GPT-5-nano 等 14 个应用层
    摘要提出跨目标模型课程强化学习，攻破前沿模型冷启动瓶颈并实现跨模型迁移。

    该研究针对强化学习自动化提示注入红队在攻击前沿大模型时的冷启动问题，提出了一种基于目标模型鲁棒性递进的课程强化学习方法。

    完整解读
已经到底了