AgentSentry：用时间因果诊断防御间接提示注入

AgentSentry 用反事实重执行定位注入来源并净化上下文。

资讯摘要

论文提出 AgentSentry，一种推理时防御方法，用于缓解 LLM 智能体中的间接提示注入（IPI）。它在工具返回边界做局部反事实重执行，判断待执行动作是否依赖被注入的中间内容，并对可疑内容做净化后恢复执行。作者在 AgentDojo 四个任务套件、三类 IPI 攻击和三个黑盒 LLM 上报告 ASR=0%、平均 UA 76.10%，良性误报率 2.06%–5.15%。

要点速读

1. 方法核心是在工具返回边界做边界局部反事实重执行，记录待执行提案在替换中介内容后是否仍成立，以区分用户意图与注入影响。
2. 对中介敏感的提案，AgentSentry 净化相关中介内容并保留任务相关证据，从净化后的状态继续执行。
3. 作者报告在 AgentDojo 四套件、三类 IPI 攻击、三个黑盒 LLM 上 ASR=0%，平均 UA 76.10%，较最强基线提升 1.84–7.60 个百分点，良性 FPR 为 2.06%–5.15%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。