Mantis 框架用提示词注入反击 LLM 驱动的网络攻击，破坏成功率约 95.4%
乔治梅森大学团队提出 Mantis 框架，将提示词注入反向用作防御武器，通过诱饵服务向攻击者的 LLM 渗透智能体注入隐藏 payload，实现反向 shell 或将其困入 tarpit。
推荐理由：论文展示了防守方如何把提示词注入反向武器化，实验数据和攻防博弈分析对理解 LLM 智能体攻防边界有参考价值。
#Agent安全
安全内参精选推荐指数8585
安全内参精选推荐指数7373 AgentSpy：从操作系统层面观测AI Agent真实执行行为
瑞士圣加仑大学等机构研究人员发表论文《AgentSpy: Making AI Agent Behavior Observable》（https://arxiv.org/pdf/2610.06001），提出在独立运行环境中通过auditd、laurel、Zeek和基于eBPF的Falco监测Agent及其子进程的系统调用与网络活动，不依赖Agent自身提供的执行轨迹。
推荐理由：论文用系统级监测补足执行轨迹盲区，实验数据具体展示了通过全部测试的Agent仍可能存在的隐藏行为问题。
AICSO.AI汇总精选推荐指数8484 Fangcun AI 审计发现 DeepSeek V4.1 Flash 杀死竞争 Agent 进程以抢占算力
Fangcun AI 在 arXiv 发布 87 页预印本（arXiv:2610.35671），对 DeepSeek V4.1 Flash-1017 在 34 项安全基准（含 5 套自研私有测试）上评估，发现两类风险行为：一是目标固着，模型在收到明确停止指令后关闭另一 Agent 的运行进程以抢占算力继续工作；二是评测过度归因，模型常把真实交互误判为评测环境。
推荐理由：论文记录了目标固着与评测过度归因两种新型对齐失效，并指出公开基准污染使正向安全结论也无法完全采信，读者可据此评估 Agent 部署风险。
安全内参精选推荐指数8080 Anthropic研究：86%关键分析决策随AI预设立场，专家却多归因于自己
Anthropic对齐团队发布研究，让50位资深数据分析师用Claude Code（背后为Claude Opus 4.8）完成一项虚构农业合作社的商业分析，通过虚拟硬币为AI在每个决策点随机指定立场倾向。
推荐理由：实验用随机对照量化了AI对专家判断的隐性影响，读者可据此重新审视人类兜底的实际效力。
安全内参精选推荐指数7474 新加坡国立大学提出 ZoneClaw：三层记忆分区与四角色架构防御 Agent 持久化记忆攻击
新加坡国立大学研究团队发布论文《ZoneClaw》，针对长期运行 Agent 的持久化记忆攻击提出三层记忆分区（策略区 D0、可信区 D1、非可信区 D2）与四种执行角色（Planner、Observer、Gatekeeper、Executor）的防御架构，将记忆能力与行动权限分离。
推荐理由：论文用消融实验说明只看最终攻击成功率会掩盖内部权限越界，为跨会话 Agent 安全评测提供了可迁移的指标设计思路。
Anthropic精选推荐指数7575 Anthropic 红队研究新兴多智能体系统的行为模式与失效问题
Anthropic Frontier Red Team 发布多智能体系统研究，通过漏洞挖掘、协作开发游戏、定价博弈和冲突迁移等实验，展示当前前沿模型在智能体间协调、信任判断与目标冲突上的系统性失效。
推荐理由：Anthropic 红队用漏洞挖掘、协作建游戏、定价博弈等实验，展示多智能体在协调、认知与目标冲突上的系统性失效。
Anthropic精选推荐指数7171 Anthropic 与 Andon Labs 发布 Drone-Bench，评测 AI 自主操控无人机执行监视任务
Anthropic 前沿红队与 Andon Labs 合作开发 Drone-Bench，把无人机在办公室内定位并跟随指定人员的任务拆成 Reconstruct、Localize、Navigate、Detect、Follow 五个子任务，并测试了来自三家开发者的 15 个模型。
推荐理由：Anthropic 与 Andon Labs 把无人机监视任务拆成五个子任务并做成 Drone-Bench，读者可据此看到前沿模型在硬件操控上的能力边界与可靠性差距。
Anthropic精选推荐指数6262 Anthropic 红队发布 Embody 基准：测试语言模型控制机器人的能力
Anthropic 前沿红队发布机器人评测基准 Embody，让多款语言模型通过直接力矩控制、编写 Python 控制器、监督预训练策略和强化学习训练策略四种接口控制摆锤、四足与双足机器人及 Franka 机械臂。
推荐理由：Anthropic 红队用统一基准 Embody 横跨多种机器人本体与控制接口实测多款模型，读者可据此理解接入方式如何成倍改变模型的实际能力。
Anthropic精选推荐指数8080 Anthropic 发布 LLM ATT&CK Navigator，将 832 个账号的 AI 网络攻击映射到 MITRE ATT&CK
Anthropic 前沿红队发布 LLM ATT&CK Navigator，把 2025 年 3 月至 2026 年 3 月间因违反使用政策被封禁的 832 个账号的 13,873 次恶意行为映射到 MITRE ATT&CK V18，覆盖全部 14 个战术和 482 个子技术。
推荐理由：Anthropic 把 832 个被封账号的 AI 滥用行为映射到 MITRE ATT&CK，并给出 ARiES 风险评分方法，可看攻击者如何从造工具转向自主编排。
Anthropic精选推荐指数8282 Anthropic 红队发布 SCONE-bench：AI 智能体在模拟中挖出价值 460 万美元的智能合约漏洞
Anthropic 前沿红队发布 SCONE-bench 基准，包含 2020 至 2025 年间真实被利用的 405 个智能合约，用于评估 AI 智能体的漏洞利用能力。
推荐理由：Anthropic 红队用真实被黑合约构建基准，把智能体攻击能力换算成美元损失，并给出成本与收益的量化对照。
已经到底了