论文页面 - SkillDRE：通过预执行与运行时反馈实现智能体技能的双阶段红队演进

来源：https://huggingface.co/papers/2609.32400

摘要

智能体技能将指令、可执行代码和任务特定资源封装成可复用的模块，使智能体能够通过执行反馈不断改进。同一机制也使攻击者能够演进恶意技能，使其更有效且更难检测。然而，候选技能可能通过预执行扫描，却在运行时防御下无法实现其目标；而修复执行问题的修订版又可能引入新的扫描器发现。我们提出 SkillDRE——一个全自动框架，通过双阶段反馈循环演进完整的恶意技能包。给定良性任务及其相关技能，SkillDRE 自主构建并验证任务条件下的恶意目标和可验证的判断规则。随后它固定这两者，同时演进技能实现，并保持合法任务能力。SkillDRE 结合了扫描器引导的演进与运行时引导的细化——后者基于在运行时防御下观察到的执行结果进行改进。每次运行时引导的修订都会返回预执行阶段重新扫描和进一步优化，然后再重新执行，形成跨阶段闭环。在 SkillsBench 上对四个受害模型进行评估时，SkillDRE 实现了平均 45.28% 的攻击成功率，超过最强基线 40.3%，而其最终提交的技能未发现 SkillScan 问题，且基本保持了良性任务性能。这些结果表明，双阶段防御反馈可作为适应性红队的有效学习信号，并且单独评估任一防御阶段可能会遗漏由此产生的攻击能力。代码可通过以下链接获取：https://github.com/whfeLingYu/SkillDRE

查看 arXiv 页面 (https://arxiv.org/abs/2609.32400) 查看 PDF (https://arxiv.org/pdf/2609.32400) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.32400)

在您的智能体中获取此论文：

hf papers read 2609.32400

尚未安装最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2609.32400 以从此页面链接。

引用本文的数据集 0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.32400 以从此页面链接。

引用本文的 Space 0

暂无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2609.32400 以从此页面链接。

包含本文的合集 0

暂无合集收录本文

将此论文添加到合集 (https://huggingface.co/new-collection) 以从此页面链接。