野生智能体技能：大规模安全漏洞实证研究
密码学与安全
2026-01-16 v1 人工智能
计算与语言
软件工程
摘要
AI 框架的兴起引入了 agent 技能，这些技能包含指令和可执行代码的模块化软件包，可动态扩展 agent 能力。尽管这种架构实现了强大的定制功能，但技能在隐式信任和最小审查的情况下执行，构成了显著且未被充分 characterize 的攻击面。我们进行首次大规模实证安全分析，收集来自两个主要市场的 42,447 个技能，并使用将静态分析与 LLM 基于语义分类集成的多阶段检测框架（SkillScan）系统性地分析 31,132 个技能。我们的发现揭示了普遍的安全风险：26.1% 的技能包含至少一个漏洞，涉及 14 种不同模式，跨越四个类别：提示注入、数据外泄、特权提升和供应链风险。数据外泄（13.3%）和特权提升（11.8%）最为常见，而 5.2% 的技能表现出高度危险模式，强烈暗示恶意意图。我们发现，捆绑可执行脚本的技能比仅包含指令的技能更容易包含漏洞（OR=2.12，p<0.001）。我们的贡献包括：（1）基于 8,126 个有漏洞技能构建的扎实漏洞分类法、（2）实现 86.7% 精确率和 82.5% 召回率的验证检测方法、（3）支持未来研究的开放数据集和检测工具。这些结果表明，迫切需要基于能力的权限系统和在此攻击向量被进一步滥用之前的强制性安全审查。
引用
@article{arxiv.2601.10338,
title = {Agent Skills in the Wild: An Empirical Study of Security Vulnerabilities at Scale},
author = {Yi Liu and Weizhe Wang and Ruitao Feng and Yao Zhang and Guangquan Xu and Gelei Deng and Yuekang Li and Leo Zhang},
journal= {arXiv preprint arXiv:2601.10338},
year = {2026}
}