无需攻击：针对 Agent 技能规范违反的语义模糊测试

LLM 驱动的 Agent 可能因调用的技能违背其自身声明的安全规则而执行危险操作，这种现象被称为“规范违反”。此类问题源于自然语言护栏语义未定义或实现忽略约束，传统防御手段难以检测。本文提出 Sefz，一种目标导向的语义模糊测试框架，通过将护栏转化为执行轨迹上的可达性目标，利用基于 LLM 的变异器和多臂老虎机算法自动生成逼近违规模式的 benign 输入。在 402 个真实技能测试中，Sefz 发现了 120 起违规事件，揭示了六类常见设计缺陷。