SkillJect：为技能型 Agent 自动生成基于技能的提示注入

如何自动生成能让skill启用的代码智能体执行隐藏载荷的投毒skill。

• 场景：作者称agent skill以SKILL.md、可执行脚本和资源打包，安装后可被反复加载为任务指导，比网页、检索文档或工具输出更持久，形成供应链攻击面（引言、Fig. 1）。具体影响取决于运行时权限、沙箱、网络和用户审批。
• 现有不足：作者称公开收集的恶意skill里，嵌入指令多数被拒绝或忽略，只有小部分触发目标行为（Fig. 2标注有2.5、5.0、7.5等Attack Success，纯文本无法可靠对应到每个模型的图例）。既有演示多为手工，难以跨skill、任务和受害系统稳定激活。
• 核心观察：显式有害意图可能被安全机制拒绝；与原工作流或当前任务结合弱的指令则可能被忽略。作者因此把恶意功能与可疑措辞拆开。
• 本文提出：SkillJect用辅助脚本藏载荷、用前置诱导改写SKILL.md，并由Attack Agent、Victim Agent、Evaluate Agent按轨迹反馈迭代改写文档、固定载荷。作者称这是首个针对agent skill的自动化提示注入框架。
• 威胁模型：
  • 知识：作者写明为black-box。不控制路由、模型参数、系统提示词或安全机制，安装后不能直接干预执行。
  • 能力：分发前可改文档和捆绑产物；渠道包括公开skill注册表、共享仓库或可导入skill包。
  • 目标与判定：投毒skill被选中并执行时，轨迹应满足对应helper被执行的谓词。成功计payload执行，不要求下游危害全部落地。
  • 受害系统：任务驱动、从注册表按当前任务选skill的代码智能体；选中后载入文档，执行中可使用捆绑产物。不假设能强迫路由在无关任务上选中投毒skill。

智能体skill生态

• Anthropic的Agent Skills规范把能力包组织为SKILL.md加可选脚本与资源；Claude Code、Codex CLI、Gemini CLI采用同类按需加载的插件式能力包。
• 论文讨论工具增强智能体与代码智能体，并称公开网站、GitHub和官方集合降低了复用成本，也使已安装skill可被反复选中并当作可信扩展。

智能体中的提示注入

• 间接提示注入把指令放进网页、文档、检索段落或工具输出。Liu等研究真实LLM应用中的提示注入及朴素策略的局限；Wang等分别研究网页或工具输出对web agent的劫持，以及视觉加文本的跨模态注入。
• 论文将其与用户直接提交的越狱分开，并称既有研究多关注一次性运行时输入。相对而言，skill位于可复用的能力扩展内，作者称其持久性更强、影响更直接。

Skill安全与手工攻击

• 生态研究指出公开仓库已出现提示注入、数据外传、提权、凭据泄露和可疑执行逻辑；另一项工作称只检查skill本身会高估恶意性，仓库级上下文能提高分类稳健性。
• Schmotz等展示skill文件中的恶意指令可在执行中被信任；Skill-Inject衡量智能体对恶意skill文件的脆弱性；SkillAttack用对抗提示对良性skill做红队。论文称这些攻击主要靠手写恶意指令或预定义内容，显式意图可能被拒，弱结合指令可能被忽略。

防御与安装前审查

• 运行时方向包括在系统或任务提示中加安全指令、指令层级训练、结构化查询，以及基于可信控制流/数据流的能力策略；AgentDojo提供工具增强智能体的动态攻防基准。论文称它们主要针对网页、文档、检索、邮件或工具输出，对被视为可信扩展、且意图分布在文档与脚本中的skill注入，只能减弱、不能消除。

• 安装前扫描包括Cisco的Skill Scanner、Skill Vetter、SlowMist Skill Scanner和ClawGuard Auditor。论文称静态扫描能抓住显式恶意指令、危险命令、凭据访问或已知外传模式，但可能漏掉意图只在文档、辅助产物、仓库上下文和执行行为交互中出现的攻击。

• 基线与基准：Naive（Direct Injection）把恶意命令直接写入SKILL.md，不用helper、隐藏或混淆。与Skill-Inject对比时，使用其Obvious Injections with Body + Script设置，以及相同的clean skills和恶意脚本。自建数据为ClawHub上100个skill及对应任务。

作者把本文定位为用载荷隐藏、轨迹验证和反馈精炼自动生成投毒skill，而不是再做手工注入。

SkillJect把投毒拆成文档诱导和产物藏载荷，再用执行轨迹只迭代改写文档、保持载荷不变。

问题设定

• skill包写作S=(d, A)：d是SKILL.md，A是可选的脚本、配置等辅助产物。给定目标行为类别B，攻击者构造S'=(d', A')。
• 双通道写为d′=INJECT(d, π), A′=HIDEPAYLOAD(A)=A ∪ a_m^B。含义是：文档插入诱导提示π，产物集追加与B对应的隐藏helper脚本。
• 成功谓词为M(τ; B)∈0,1。含义是：轨迹τ包含对该helper的显式执行则为1，否则为0。论文按此计ASR，不要求每个下游危害都实现。
• 不假设能强迫路由选中S'。只在S'属于智能体为任务t实际执行的skill集合时，追求该谓词以高概率成立。

双通道隐藏

• Artifact channel：恶意操作放在看似普通的.py或.sh helper中。论文举例为helper.sh、run.sh、tool.py。A'保留原产物并追加该脚本。
• Instruction channel：诱导放在SKILL.md最前，把helper写成必做前置或第一步，写明脚本路径并给出可执行示例命令，使其像正常初始化。
• 对齐：诱导须与隐藏脚本的行为对齐，使文档看起来连贯。作者称显式恶意内容不放在改写后的文档里。

闭环生成

1. 载荷理解：Attack Agent分析新helper及其文件名，得到结构化理解，包括名义功能、输入输出、预期执行阶段和在工作流中的角色。
2. 约束生成：以原文档、上述理解、行为类别B和前置约束生成初版SKILL.md。该约束把helper指令放在文档开头，以提高显著性和执行优先级。
3. 反馈精炼：载荷只生成一次，之后A'固定。Victim Agent在任务批上运行投毒skill；Evaluate Agent返回是否执行，以及ignored、refused、partially triggered或incorrectly executed等诊断和证据。Attack Agent据此重写文档，直到成功或达到预算。
4. 角色与提示：实验里Attack Agent是带前置约束的GPT-3.5-Turbo。论文未写明Evaluate Agent是否为某个命名LLM。附录A给出载荷理解、约束生成和反馈精炼的完整提示词；附录B给出算法。

成功判定

• 检查工具调用、命令执行、文件操作以及中间或最终输出，只判断隐藏helper是否被显式执行。
• 作者称轨迹级执行把控制从文档转到攻击者控制的可执行产物；最终影响仍取决于沙箱、文件系统权限、网络、用户审批和运行时强制。

实验设置

• 平台：主平台为Claude Code，另在OpenClaw上测跨平台。两者在沙箱Docker中执行命令和工具动作。
• 被测后端：主实验为Claude-4.6-Sonnet（表中写作Claude-Sonnet-4.6）、GPT-5-mini、GLM-4.7、MiniMax-M2.1。扩展为DeepSeek-V4-flash、GLM-5.1、MiniMax-M2.7、MiMo-V2.7、GPT-5.4、Claude Opus 4.6（表中Claude-Opus-4.6）。
• 攻击方：GPT-3.5-Turbo加前置约束生成恶意skill。论文未写明Evaluate Agent的模型名。
• 数据与行为：ClawHub上100个skill，覆盖软件开发与DevOps、数据与金融分析、内容创作与营销、研究与智能体工具四类领域。每个skill一个任务，任务要求使用对应skill并触发其正当功能；附录C写明100个任务都有instruction.md，71个含辅助工作区文件，指令14–36词、平均26.84词。四类行为为InfoDisc、PrivEsc、UnauWri、Backdoor。扩展实验从100中随机抽30个skill/任务，报告四类平均的Overall ASR。
• 指标与基线：ASR为观察到对应helper被执行的任务比例。另有SNS和扫描器detection accuracy。基线为Naive直接注入，以及Skill-Inject在Obvious Injections with Body + Script、相同clean skills和恶意脚本下的对比。论文未在主表写明精炼轮数、查询次数或重复次数。

主结果

Table I为Claude Code上SkillJect的ASR（%）。Naive在全部格子中为0.0%，表中不再重复。

表格较宽，可左右滑动

后端	InfoDisc	PrivEsc	UnauWri	Backdoor	Overall
GLM-4.7	98.0%	95.0%	98.0%	98.0%	97.2%
MiniMax-M2.1	95.0%	95.0%	95.0%	94.0%	94.7%
GPT-5-mini	88.0%	79.0%	84.0%	84.0%	83.8%
Claude-Sonnet-4.6	34.0%	55.0%	57.0%	42.0%	47.0%
Average	78.8%	81.0%	83.5%	79.5%	80.7%

• 作者称直接把显式恶意指令写入SKILL.md基本无效，有效注入还需要藏载荷并自动构造诱导。
• 作者称平均Overall ASR为80.7%；类别平均最高为UnauWri的83.5%，最低为InfoDisc的78.8%。
• Claude-Sonnet-4.6的Overall为47.0%，低于另外三个后端。作者称它相对更抵抗，但ASR仍非零。Table I最低单元格是该模型的InfoDisc 34.0%。

跨平台与更新模型

• OpenClaw（Table II）：Naive在四个后端上均为0。SkillJect为GLM-4.7 97、MiniMax-M2.1 95、GPT-5-mini 87、Claude-Sonnet-4.6 43，Overall 80.5。该表未写百分号，也未按行为类别分列。作者称排序与Claude Code一致，效果不依赖单一脚手架。
• 更新模型（Table III）：随机30个skill/任务，Naive均为0.0%。SkillJect的Overall为DeepSeek-V4-flash 95.8%、GLM-5.1 92.4%、MiniMax-M2.7 90.2%、MiMo-V2.7 74.3%、GPT-5.4 28.7%、Claude-Opus-4.6 29.2%，六模型平均68.4%。作者认为后两者下降可能来自更强的安全对齐、更谨慎的工具使用或对任务相关性的推理，并称模型缩放与更强对齐并不能完全消除该风险。

对比、迁移与跨任务

• 同脚本对比（Table V，Claude Code）：Skill-Inject的Overall为32.3%，SkillJect为69.1%。分模型从40.0%到82.2%（GLM-4.7）、35.6%到80.9%（MiniMax-M2.1）、26.7%到64.4%（GPT-5-mini）、26.7%到48.9%（Claude-Sonnet-4.6）。作者称双方使用相同良性skill和恶意脚本，提升主要来自自动诱导和反馈精炼。Table IV把手工攻击、Naive、SkillJect的Overall ASR写为32.3、0.0、69.1，与Table I的80.7%不是同一设置。
• 跨模型（Table VI）：在GLM-4.7上生成后不做目标特异精炼。MiniMax-M2.1的Overall为79.8%（InfoDisc 81.0%、PrivEsc 76.0%、UnauWri 77.0%、Backdoor 85.0%）；GPT-5-mini为49.8%；Claude-Sonnet-4.6为35.8%。作者称相对源模型97.2%，分别下降17.4、47.4、61.4个百分点。
• 跨任务（Fig. 4，GLM-4.7）：同一投毒skill在另20条LLM生成的任务指令上直接评测，不重新生成或精炼。原任务四类为98%、98%、95%、98%；跨任务为80%、72%、77%、70%（顺序为Backdoor、InfoDisc、PrivEsc、UnauWri）。作者称并未只拟合源任务，但效果仍取决于新指令是否激活注入工作流。论文未写明生成这20条指令的模型名。

防御评测

• 指令级提示（Fig. 8，GLM-4.7）：要求执行前检查被引用脚本。作者称Backdoor从98%降到40%，InfoDisc从98%降到10%，PrivEsc从95%降到66%，UnauWri从98%降到77%；四类平均从97.3%降到48.3%，绝对下降49.0个百分点。Table I中同一后端Overall为97.2%，与97.3%不是同一处数字。作者称该防御能减弱但不能消除风险，PrivEsc与UnauWri在防御后仍为66%与77%。
• 扫描器（Table VII）：对象是SkillJect在GLM-4.7上生成的投毒skill。detection accuracy为Cisco 63.8%、Vetter 53.1%、SlowMist 64.2%、Auditor 65.0%，Overall 61.5%。作者称漏检较多，主因是可见文档把helper写成兼容良性工作流的前置步骤，恶意操作在辅助产物中，要到执行时才变得与安全相关。论文未报告该集合的条数。

其他消融与分析

• Table VIII（GLM-4.7，Overall）：完整方法97.2%；去掉载荷理解91.0%；去掉前置策略78.8%（UnauWri 78.0%、Backdoor 75.0%）；去掉精炼反馈80.5%（PrivEsc从95.0%到73.0%）。
• Fig. 6：作者称五轮后GLM-4.7、MiniMax-M2.1、GPT-5-mini、Claude-Sonnet-4.6的ASR为97.2%、94.6%、83.8%、52.8%；早期轮次增益更大，之后趋于平台。图注提取中有94.26%一类标注，与正文94.6%不完全一致。
• Fig. 7的SNS（GLM-4.7，越高表示与原skill更一致，不表示安全）：Naive/SkillJect为Backdoor 0.223/0.429、InfoDisc 0.318/0.415、PrivEsc 0.340/0.429、UnauWri 0.259/0.462。附录D称高SNS不意味着skill良性；评审模型名称未写明。
• Fig. 5展示两类表面形式：结构上伪装成前置小节，以及强调式初始化警告。具体注入句不转述。Fig. 2中公开恶意skill的Attack Success标注包括2.5、5.0、7.5，正文称多数被拒绝或忽略。

作者指出的局限与后续方向

• ASR衡量的是helper是否被执行，作者不声称每次执行都会在所有部署中实现全部下游后果；最终影响取决于沙箱策略、文件权限、网络、用户审批和运行时强制（Section V）。
• 评测是post-selection：投毒skill须先被路由或检索选中。作者写明未研究如何强迫路由在无关任务上选中恶意skill（Section V）。
• 基准含100个真实skill和代表性任务指令，作者称可能覆盖不了全部skill生态、智能体脚手架或部署策略（Section V）。
• 已评测多个后端LLM和两个skill平台，作者称行为仍可能随系统提示词、工具权限、沙箱配置和人在回路审批而变化（Section V）。
• 防御评测聚焦实用的提示级缓解和现有skill扫描器。作者称更强防御仍是未来工作（Section V）。结论还称未来防御应联合考虑skill文档、辅助产物、执行轨迹和运行时工具策略。

实验覆盖范围

• 主结果后端为Claude-4.6-Sonnet、GPT-5-mini、GLM-4.7、MiniMax-M2.1；平台为Claude Code与OpenClaw；行为为四类；数据为ClawHub的100个skill及一一对应的任务。
• 更新模型实验为6个后端、随机30个skill/任务，只报告四类平均的Overall ASR（Table III）。
• 攻击生成模型为GPT-3.5-Turbo。论文未在主结果表写明精炼轮数、查询次数或重复次数；Fig. 6的分析写明五轮。
• 防御包括Fig. 8的指令级提示加固，以及Table VII的四款扫描器。论文未报告扫描集合条数，也未报告SNS评审模型名称，以及跨任务指令所用LLM的名称。
• 迁移包括以GLM-4.7为源、不做目标特异精炼的跨模型评测（Table VI），以及同一skill上另20条任务指令的跨任务评测（Fig. 4）。

SkillJect是针对可安装agent skill的自动化提示注入框架。作者要解决的是：公开或手工放入skill的恶意指令常常被拒绝或忽略，而skill一旦安装就会被反复当作可信指导加载。

• 做法：black-box攻击者在分发前改包，安装后不能干预执行，也不能强迫路由选中。载荷放进辅助helper脚本；SKILL.md把该脚本写成文档开头的必做前置步骤，并写明路径和示例命令。GPT-3.5-Turbo担任Attack Agent，按轨迹诊断迭代改写文档，载荷保持固定。成功只看helper是否被显式执行。
• 主结果：自建数据为ClawHub的100个skill。Claude Code上Naive的ASR全为0.0%；SkillJect四后端平均Overall为80.7%，其中GLM-4.7为97.2%，Claude-Sonnet-4.6为47.0%（Table I）。OpenClaw的Overall为80.5（Table II）。
• 其他结果：与Skill-Inject使用相同良性skill和恶意脚本时，Overall从32.3%到69.1%（Table V）。随机30个skill上，GPT-5.4与Claude-Opus-4.6为28.7%与29.2%（Table III）。GLM-4.7上的指令级防御后，四类平均由作者报告的97.3%降到48.3%，PrivEsc与UnauWri仍为66%与77%。四款扫描器的Overall detection accuracy为61.5%。
• 作者结论：作者称可复用skill生态在投毒skill被选中并执行时，可以成为一个持续的攻击向量；现有提示级防御和扫描器只能部分缓解。作者建议把skill当作安全敏感的软件产物，并联合检查文档、辅助产物、轨迹和运行时工具策略。