追踪注意力识别有害性到 MLP 拒绝写入的通路并提出 Sentinel
作者把对齐模型的越狱和过度拒绝，改写成残差流上从识别到写入的通路问题，并据此做解码前的条件提醒。
提出免训练框架 SED，将有害智能体轨迹蒸馏为可检索安全策略
提出 Safety Operator，用谱优化调节安全指令表达强度
提出工具型 Agent 的自适应攻击 DART 与预执行防御 SAGE
摘要论文提出状态控制框架 SEAD、攻击 DART 与防御 SAGE，实验显示执行反馈与环境探测在攻防交互中具有关键作用。
提出 Skilder，按角色渐进下发企业工具并确定性拦截越权调用
Skilder 把企业工具型智能体的能力按角色打包，经一个 MCP 服务器做渐进发现，使工具范围由服务器而不是提示词来执行。
构建 APort Vault 基准，对比支付智能体模型拒答与确定性授权
提出 FLOWSEAL，用工具级信息流控制阻断智能体隐私泄露
摘要作者分析大模型智能体隐私检查与攻击面重合问题，提出外部拦截防御 FLOWSEAL 并验证有效性。
用后验重加权解释多模态上下文越狱，并提出风险门控的良性示例注入防御
Zhang 等把多模态 ICL 越狱写成对齐模型在安全与有害隐模式之间的推理时后验漂移，并据此做风险门控防御。
为冻结模型与目标域自动搜索可部署的 Agent 安全 harness
提出 AlcaTRAz，用锚定字符规则树改写提示以防御越狱
提出 SafeEvolve，用轨迹证据协同演化安全 harness 与策略
SafeEvolve 把已完成的 on-policy 轨迹变成安全 harness 的有界更新，并用两阶段 SFT-RL 把这些更新内化进工具使用策略。
提出 Skill-as-API，隔离多智能体协作中的 skill 正文与系统提示词
Skill-as-API 是面向智能体软件工程的协调协议，用来在跨组织调用时把 skill 的代码和系统提示词留在所有者进程。作者针对三条威胁：经通道或命名空间抽取专有方法，用注入让被调用模型输出系统提示词，以及协作结束后权限继续保留。
提出 GIFT，用加密与 GPU 信息流跟踪隔离共享 LLM 服务中的用户数据
GIFT 是作者为共享 LLM serving 做的用户数据隔离系统，并有启用机密计算的 GIFT-CC。作者在结论中称它是该场景的首个 IFT 设计。
分析少样本示范对 RoP 与 ToP 提示防御抗越狱效果的影响
作者评估 few-shot 示范如何改变 RoP 与 ToP 对越狱的防御效果。
提出 DASE，以对抗自演化知识库在推理时加固角色扮演抗越狱
DASE 是给专有闭源角色扮演智能体用的训练自由防御，目标是人设保真与安全拒答一起成立，而不是改模型权重。问题在于人设沉浸，尤其负面人设，会压过原有护栏。SFT、数据筛选和正则又跟不上新人设与新攻击，也不能用于没有梯度的 black-box API。