SkillSafetyBench：评估面向技能攻击面下的 Agent 安全性

可复用技能已成为扩展大语言模型代理的通用接口，封装了程序性指导及对文件、工具、记忆和执行环境的访问。然而，这种模块化引入了现有安全评估常忽略的攻击面：即使用户请求 benign，任务相关的技能材料或本地工件也可能诱导代理执行不安全行为。本文提出 SkillSafetyBench，一个可运行的基准测试，用于评估此类由技能介导的安全失效。实验表明，局部非用户攻击能一致地引发不安全行为，且在不同领域、攻击方法及架构 - 模型组合中呈现出独特的失效模式。