跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 22 篇
筛选2

攻击类型

越狱2提示注入12投毒与后门8提取与窃取2检测规避1恶意使用1

攻击技术

梯度与表征优化2自动化搜索5编码与混淆4对话结构操控1推理链操控1跨模态载荷2针对防御3潜伏触发8诱导选用2

防御类型

检测与过滤1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12数据与隐私泄露6输出被操纵3

系统形态

模型与 API2LLM 应用1AI Agent19编程 Agent7网页与电脑操作1多智能体1

攻击者权限

黑盒1白盒1

攻击面/入口

用户输入9网页与界面3文档与消息3工具返回4工具与技能描述6代码仓库与依赖3检索语料1记忆写入3图像与音视频3分发渠道4

层

提示层1应用层20基础设施层1

系统组件

MCP 与技能8记忆3RAG1护栏与评审3监控器1推理链1权限与沙箱6视觉3多模态3

被测模型厂商

OpenAI37Qwen（阿里）31DeepSeek27Anthropic23Google18智谱 GLM12Kimi（月之暗面）12Meta11Mistral8Microsoft7xAI5MiniMax5其他13
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 380 篇还没打标签，不在筛选结果里。
被测模型厂商：Google被测模型厂商：Microsoft话题：Agent 安全清除全部

另有 380 篇论文还没打上分类标签，暂不在筛选结果里。

  2. 攻击arXiv:2610.09240 ·

    WebMirage 用对抗图像劫持视觉网页 Agent 的浏览器操作

    提出 WebMirage，用对抗图像劫持视觉网页智能体的浏览器操作

    网页与电脑操作测试Phi-3-Vision-4B、LLaVA-v1.5-13B、LLaVA-v1.6-34B 等 6 个应用层
    摘要论文提出了针对网络智能体的端到端视觉红队框架 WebMirage，揭示了从视觉定位到浏览器执行的安全脆弱性。

    WebMirage 是一个面向视觉定位网络智能体的流水线感知端到端红队攻击框架。

    完整解读
  8. 攻击arXiv:2609.39607 ·

    Pretext 攻击绕过 NVIDIA SkillSpector 等 Agent 技能扫描器

    提出 PRETEXT，迭代改写技能文本以绕过扫描并执行木马行为

    编程 Agent攻击者白盒测试all-MiniLM-L6-v2、glm (z-ai/glm-5.1)、qwen3t (qwen/qwen3-235b-a22b-thinking-2507) 等 4 个应用层
    摘要论文提出了针对多阶段技能检测器的白盒攻击，揭示了单纯依赖大模型自适应检测的局限。

    PRETEXT 是一项针对基于“静态规则加语义大模型”的智能体技能安全检测框架的白盒攻击与协同进化评估研究。

    完整解读
  11. 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google/gemma-4-26B-A4B-it、openai/gpt-oss-20b、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:2610.00430 ·

    Memetic Trojans：利用社交传染在 LLM Agent 网络中传播对抗载荷

    提出 memetic trojans，把对抗载荷嵌入智能体自发转发的社会传染内容

    多智能体测试gemma2-27B、gpt-oss-120B、deepseek-v4.1-flash 等 5 个应用层
    摘要memetic trojans 用内生社会传染携带载荷。

    Memetic trojans 是一类网络介导攻击：对抗载荷搭在智能体本来就会转发和点赞的内容上扩散，转发者不必被攻陷，也不必执行“请继续复制”的指令。

    完整解读
  14. 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Microsoft-Phi-4-mini-instruct、Gemini、Meta-Llama-3.3-70B-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:2609.22510 ·

    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Gemini-2.5-flash、Google Gemini CLI、GitHub Copilot 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
  20. 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Gemini-3.6-flash、Qwen3-4B-Instruct-2507、GPT-4o-mini 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
加载更多