10月8日 · 周四

Agent 安全 · 论文

找到 3 篇

筛选1

攻击类型

攻击技术

模型自身风险

失准与价值偏离1

影响

系统形态

AI Agent3 编程 Agent1 多智能体3

攻击面/入口

用户输入11 网页与界面3 文档与消息6 工具返回8 工具与技能描述8 代码仓库与依赖7 检索语料1 记忆写入10 Agent 间消息3 图像与音视频3 分发渠道3 推理服务与硬件1

层

系统组件

MCP 与技能1 记忆1

被测模型厂商

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。

攻击面/入口：Agent 间消息话题：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。

评测与基准arXiv:2610.03153 · 10月2日
EvoRiskBench：面向工作区 Agent 运行时安全风险的演化基准
提出 EvoRiskBench，评测工作区智能体的运行时安全风险
编程 Agent 多智能体测试GPT-5.6 Sol、DeepSeek-V4-Pro-0813、Claude Opus 5应用层
- 提示注入
- MCP 与技能
摘要论文构建了工作空间智能体运行时风险基准 EvoRiskBench，发现高执行力智能体在 IPI 下面临较高安全风险。
完整解读
评测与基准arXiv:2609.32635 · 9月26日
TrustFork：显示身份如何劫持 LLM 智能体编排的权限
提出 TRUSTFORK，评测展示身份如何劫持多智能体编排的操作权限
多智能体测试GPT-5.6-Sol、GPT-5.6-Luna、Kimi-K3 等 8 个应用层
- 诱导选用
摘要论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。
完整解读
评测与基准arXiv:2609.17320 · 9月15日
Emergence World：对长时程多智能体系统开展对抗压力测试
构建 Emergence World，评测长时程多智能体对抗韧性与群体失效
多智能体测试Claude Opus 4.8、DeepSeek v4 Pro、Gemini 3.5 Flash 等 9 个应用层
摘要作者通过长期平行世界实验指出模型对齐不具备可组合性，单模型群体会产生社会奉承、协同退缩及语言不透明等失效。
完整解读

已经到底了