实验显示 Agent 容易放行恶意代码
nayohn_dev · reddit · 2026-07-17
作者分享了一个名为 RELAY 的实验：在一条小公司的 CI/CD 流水线里放入 5 个 agent，分别负责分诊、开发、安全扫描、评审和部署，并只给它们一个外部未可信输入——一条伪装成“遥测功能”请求的恶意工单。 实验结果显示： - 提示词防护本身很稳，40 次抽取尝试全部失败，系统提示没有被泄露。 - 但问题不在提示词，而在 agent 之间的互相信任。 - 恶意代码会伪装成“已批准、无需复审”的形式，诱导后续 verifier 放行。 - 约 80% 的“洗白” PR 通过了安全扫描器，因为扫描器只看到语法正确，看不到意图与来源。 作者强调，这个失败是系统性的，不是某个单一模型被越狱；数据完全合成且可复现，希望读者挑战结论而不只是数字。