Aravinda Kashyap Kabbinamakki Suresh 和 Peng Gao 于 2026 年 10 月 31 日提交 AgentCap 论文，提出面向语言模型智能体的运行时授权层。摘要指出，当模型持有常设权限时，间接提示注入可能把对模型推理的影响转化为未经授权的操作。[1]

AgentCap 将动作选择与授权判断分开。作者称，MCP 包装层介入每一次工具调用。请求需要声明意图，策略检查则涵盖信任、工作流前置条件、互斥权限，以及安全敏感参数的来源。获准的请求会取得有效期短、预算受限的能力令牌，并在工具边界接受验证。[1]

作者描述的委派机制采用绑定会话的父子链：动作和资源保持不变，预算与有效期只能缩减。声明式策略语言则为运行时执行和部署前分析提供共同的约束表示。[1]

摘要称，在 AgentDojo 和 InjecAgent 的所有已评测模型与基准组合中，AgentCap 都降低了攻击成功率，其中 GPT-5.4 在两个基准上的攻击成功率均为零。作者还报告，在受控对抗场景中，所有未经授权的执行尝试均被阻断，测试覆盖的合法操作则全部保留。这些是作者针对所评测条件报告的结果；阅读摘要无法独立确认这些结果，也无法确认它们适用于其他部署。[1]

[1]: AgentCap: Capability-Based Runtime Authorization for Secure LLM Agent Execution。arXiv，2026 年 10 月 31 日。https://arxiv.org/abs/2611.00729

来源

  1. AgentCap: Capability-Based Runtime Authorization for Secure LLM Agent ExecutionarXiv · 2026年10月31日

核查或更正本页

更正
提交更正请求 · 在 GitHub 编辑源文件 · 更正政策
验证记录

下方摘要可以说明你读到的文字是否与公开的源文件一致，但不能说明报道内容本身正确。这一摘要在构建时根据本页的 Markdown 源文件计算，并列入站点清单。

88888243c489391fe11e36d2ec44a9d2f044609dec7012e40e6e7ad9aba48404

查看源文件 · 清单