Defense-as-Skill：将运行时防御转化为可演化的技能以保护增强型智能体

该论文提出一种名为 Defense-as-Skill 的新范式，旨在解决技能增强型智能体（Skill-augmented agents）中恶意技能通过持久化上下文长期潜伏并伺机攻击的问题。传统预安装审查无法应对这种基于任务上下文的动态威胁，因此作者构建了 SkillSonar，将其实现为一个可安装、可检查且可编辑的运行时守卫技能，在不修改底层智能体运行环境的前提下，根据用户任务边界对敏感操作进行允许、重规划或确认决策。

为验证该方法，研究团队构建了 SCOPE-R 数据集，涵盖 6 类风险家族和 21 个子类别，包含 206 个经确认的攻击实例和 43 个良性任务。在此基础上，利用蒙特卡洛树搜索（Monte-Carlo Tree Search）过程对守卫技能进行运行时演化，使其能从回放反馈中持续改进。实验显示，在 Claude Code 和 OpenClaw 上，演化后的守卫显著降低了攻击成功率；在 GLM-5 重复运行测试中，ID ASR 从 0.482 降至 0.104，OOD ASR 从 0.606 降至 0.115，且性能提升在不同受害模型、未见的风险家族及外部基准上具有迁移性。

事实层面，该工作已发表于 NeurIPS 2026，代码与数据公开于 arXiv:2609.1487。推断层面，这表明未来智能体的安全架构可能从静态规则转向动态、可进化的技能模块，使防御能力具备与业务技能同等的生命周期管理。猜测层面，若此类机制被广泛采纳，可能会推动智能体开发框架内置“守卫技能”标准接口，但具体实施成本与性能开销仍需工程验证。