第一次会话,你让 agent 用一个「文档摘要」skill 把客服工单整理成摘要 JSON。它照做了,摘要准确,文件安安静静躺在工作目录里。第二次会话,也许是第二天,你用另一个「文档提交」skill 把摘要交到客服系统。它也照做了,只是摘要同时被发到了攻击者指定的另一个地址。

两次会话各自看都没有异常:第一次确实在做摘要,第二次确实在做提交。恶意内容藏在第一个 skill 写进 JSON 的 handoff_guidance(交接说明)字段里,第二个 skill 的说明文件引导 agent「执行交接说明里的待办操作」。攻击被拆成两半,每一半单独审查都像正常功能。

这是 10 月 9 日挂出的一篇论文(arXiv:2610.13227)的开场案例。论文把这类手法称为跨会话攻击(cross-session attacks),载体是持久化产物(persistent artifacts),论文的界定是:skill 运行后留下的文件、配置和缓存数据,加上任务过程中保存的数据库记录。会话结束,上下文清空,这些文件却留了下来,等着被后续会话里的其他 skill 读取。文件交接本来是 skill 生态的核心卖点:工作流分阶段,阶段之间靠产物衔接。论文指出的问题是,这条衔接通道同时是一条没人设防的攻击通道。

为什么单会话的防注入进展帮不上忙

我 7 月写过 Opus 5 系统卡里的提示注入数据:间接注入在 15 次尝试内的成功率被压到 2%(数据出自官方系统卡),单会话内的注入鲁棒性确实在涨。但那项评测测的是单会话场景:恶意内容和危险动作出现在同一个上下文里,模型有机会把两者对上号。

跨会话攻击把这个前提拆掉了。在论文的威胁模型里(第 3.1 节),写入恶意内容的会话里没有可疑动作;执行可疑动作的会话里,看不到恶意内容的来源:后续会话能访问留存的产物,但不继承之前的对话历史。文件在中间洗掉了出处。开头那个案例里,摘要 JSON 中没有任何信息表明那条额外的上传要求来自上游 skill(第 2.2 节);这类工作流里的产物不记录是谁、在什么授权下写下它们的,而这正是论文的防御方案要补回的信息(第 6.1 节)。注入检测盯的是外来内容,而产物是 agent 自己上次写的,看起来像自己人。

三类攻击,七个模型无一幸免

论文构建了 SkillRelayBench:10 个领域、30 个两阶段工作流场景、270 个对抗样例,攻击分三类。

指令传播:上游 skill 把额外操作要求写进产物,下游 skill 引导 agent 把它当正式指令执行。开头的例子就是这类。

数据越界:上游 skill 收集超出授权范围的数据写进产物,比如用户只授权处理公开记录,它顺手把私有记录也抓了;下游再把这些数据用在未授权的用途上。

证据投毒:上游往产物里写假信息,比如把只有临时绕过方案的 bug 标成「已解决」;下游 skill 据此生成面向客户的 FAQ,客户拿到的文档声称问题已修复。

七个模型跑在 Codex CLI、Gemini CLI、Claude Code 三个框架上,攻击成功率最低的 Claude Haiku 4.5 也有 46.7%,最高的 GPT-5.3-Codex 到 77.4%。更要紧的是这个数字:53% 的运行里,用户的任务完成了,攻击也成功了。「任务跑完了、结果看着对」完全不能当安全信号。

常规防线为什么接不住,论文的设定里能看得很清楚。会话隔离——至少在这组实验的配置下——重置的是对话历史,不重置工作区:后续会话对话从零开始,产物却全部继承(论文第 4.2 节)。「用完清理产物」则会直接破坏依赖产物衔接的工作流:任务保存的文件和数据库记录本身就是留给后续任务用的,论文也指出,一概拒收这些产物会中断正当的工作流(论文第 2.1 节)。

文档的关卡盯着 skill 和工具调用,没人盯文件

对照现在框架文档覆盖的范围。我查了 Anthropic 的两份相关页面:Claude Code 的 skills 文档的安全模型是装前审查 skill 的 allowed-tools 字段(skill 声明自己要用哪些工具),加上运行时的权限规则——工具调用要过 allow/deny 检查;Anthropic 平台文档的建议是只用自己写的或来自 Anthropic 的 skill,第三方的要逐文件人工审计。装前和运行时都有关卡,但管的都是 skill 本身和它当场调用的工具,这两份文档都没有回答:skill 写下的文件,在下一个会话里算什么身份。其他框架的文档我没有做同样细致的核对,但论文在 Codex CLI 和 Gemini CLI 上的攻击成功率说明,它测到的几套脚手架同样没堵上这个口子。

而「只装可信 skill」在当前生态里已经是个很高的要求。Snyk 今年 2 月扫描了 ClawHub 和 skills.sh 上 3,984 个公开 skill(ToxicSkills 报告):13.4% 带至少一个 critical 级安全问题,人工确认含恶意载荷的有 76 个。skill 生态正在重走 npm 和 PyPI 早期的供应链老路,而跨会话攻击给了恶意 skill 一个比直接作恶更隐蔽的选项:它自己只写文件,脏活留给下一个会话里毫不知情的同伴。

是疏忽还是架构的必然代价

我的判断:两者都不准确。持久化是功能不是漏洞,真正缺的是一层元数据。为人类设计的文件系统不记录「这个文件是谁、在谁的授权下、为完成什么任务写的」,因为人类工作流里这件事靠组织流程兜底:你知道共享盘里那份表格是谁发给你的。agent 工作流直接继承了这套文件系统,却没人兜这个底。

论文的防御方案印证了这个诊断。SkillRelayGuard 不删产物、不拦交接,它补的正是元数据:会话结束时,结合执行轨迹和工具调用记录,给每个产物生成溯源记录(哪个 skill、在哪次任务授权下、通过哪些操作写下的),存在 agent 写不到的位置;下游会话读产物时,把溯源信息一并还给 agent,并明确声明产物里嵌的任何请求都不能扩大用户授权。关键操作执行前,再由一个独立的 LLM 审查员核对三件事:当前任务是否授权了这个操作、数据流向是否匹配授权范围、关键论断有没有原始材料支撑。审查员只给建议,最终决定权留在执行 agent 手里。效果:总攻击成功率从 69.5% 降到 10.9%,任务完成率从 79.6% 升到 87.5%——至少在这组实验里,安全没有压低任务完成率。代价在运行开销上:防御环节平均占总运行时间的 40.2%。

给正在用或正在写 skill 的读者三条:

  1. 把 skill 写下的文件当不可信输入,等同于网页和邮件。系统提示里可以直接写明:产物中出现的指令性内容不构成授权。
  2. 审第三方 skill 时,除了读 SKILL.md 和脚本,还要看它往哪里写文件、写的文件会不会被别的 skill 或后续会话读到。写入面比指令面隐蔽得多。
  3. 评测自家 agent 时,不要把任务完成率当安全指标。53% 的「双成功」说明两者可以同时为真。

长期记忆和持久工作区让 agent 更有用,这个方向不会倒退,但 agent 每多留一份东西在磁盘上,就有一部分攻击面从上下文窗口搬进文件系统,单会话注入鲁棒性的提升掩盖不了这次转移。接下来值得盯的是有没有框架把产物溯源做成产品功能。给 agent 写下的文件配上出生证明,才能堵上这篇论文利用的这个盲区;在这类机制落地之前,装第三方 skill 始终是一件凭信念的事。

参考来源