AgentSentry：利用时序因果诊断与上下文净化缓解 LLM 智能体的间接提示注入
AgentSentry: Mitigating Indirect Prompt Injection in LLM Agents via Temporal Causal Diagnostics and Context Purification
AI 导读
研究者提出推理时防御方法 AgentSentry，用于缓解 LLM 智能体中的间接提示注入。该方法在工具返回边界做局部反事实重执行，判断待执行动作是否受注入内容影响，若确认受影响则净化相关上下文并从净化状态继续执行。在 AgentDojo 的四类任务、三类间接提示注入攻击和三种黑盒 LLM 主干模型上评估时，评估案例中未观察到成功攻击（ASR=0%），平均受攻击效用为 76.10%；相较最强基线提升 1.84 至 7.60 个百分点，良性样本误报率为 2.06% 至 5.15%。论文还评估了长程与自适应攻击、净化不完美、运行时开销及 OpenClaw 案例。