Semia：通过约束引导的表示合成审计智能体技能
密码学与安全
2026-05-04 v1 人工智能
编程语言
摘要
智能体技能是装配 LLM 驱动的智能体以具体能力配置包，如读取电子邮件、执行 shell 命令或签名区块链交易。每个技能都是混合制品——结构半部分声明可执行接口，而叙述半部分规定何时以及如何触发这些接口——而叙述在每次调用时被重新解释为概率事件。常规静态分析器解析结构半部分但忽略叙述；LLM 基于工具读取叙述但无法可靠地证明受污染的输入是否到达高影响接收器。我们提出 Semia，一种用于审计智能体技能的静态审计器。Semia 将每个技能提升到技能描述语言 (SDL)，这是一个捕获 LLM 触发动作、叙述定义的条件以及人类在环检查点的 Datalog 事实库。将技能提升为既结构上严谨又在语义上忠实于原叙述的事实库是核心挑战；我们通过约束引导的表示合成 (CGRS) 提出-验证-评估循环来细化 LLM 候选方案直至收敛。对智能体技能的安全属性（如间接注入、信息泄露、混淆代理、未加护卫的接收器等）可进一步简化为 Datalog 可达性查询。我们在 13,728 个来自公共市场的真实世界技能上进行评估。Semia 将所有技能均可审计，并发现超过半数携带至少一种关键语义风险。在一组 541 个专家标记技能的分层样本上，Semia 实现了 97.7% 的召回率和 90.6% 的 F1 分数，显著优于基于签名的扫描器和 LLM 框架。
引用
@article{arxiv.2605.00314,
title = {Semia: Auditing Agent Skills via Constraint-Guided Representation Synthesis},
author = {Hongbo Wen and Ying Li and Hanzhi Liu and Chaofan Shou and Yanju Chen and Yuan Tian and Yu Feng},
journal= {arXiv preprint arXiv:2605.00314},
year = {2026}
}