SkillDRE:双阶段红队进化恶意 Agent 技能,攻击成功率 45.28%
Pengyu Zhu · hf · 2026-09-29
Agent skills 把指令、可执行代码和任务资源打包成可复用工件,执行反馈机制既能帮 agent 改进技能,也可能被攻击者用来进化更隐蔽的恶意技能。SkillDRE 提出全自动双阶段进化框架:
- 给定良性任务,自主构造任务条件下的恶意目标与可验证的判定规则
- 扫描器引导的进化(执行前)+ 运行时防御下的执行结果反馈(运行时)形成跨阶段闭环,每次运行时修订都回到执行前阶段重新扫描
- 在 SkillsBench 上跨 4 个受害模型平均攻击成功率 45.28%,超最强基线 40.3%,且最终技能无 SkillScan 告警、基本保留良性任务能力
结论:两阶段防御反馈可作为自适应红队的学习信号,单独评估任一防御阶段都会漏掉真实攻击能力。代码已开源。
「编程与Agent」频道最新
- 用 Hindsight 搭会议准备 Agent：让销售开会前不再忘掉上次的承诺 — True-Wrap-9569 · 2026-09-29
- 纯 Vibe Coding：Claude Opus 5.5 写出让雨水积在 Mac 窗口上的 Rainpane — Tansan-7271 · 2026-09-29
- PHP WASM 内核合并关键 PR,作者称开源让企业级能力人人可得 — MickeySteamboat · 2026-09-29
- Google 将于 11 月 17 日用 Skills 取代 Gemini Gems — mark_k · 2026-09-29
- 开源工具 Carla：本地跑 llama.cpp 造「AI 角色」的织机实验室 — max_paperclips · 2026-09-29
- 高帧率运行让 Jev 成为真正的 System 1:每次点击都传完整状态 — mathemagic1an · 2026-09-29