该论文研究的是多源 LLM Agent 输入场景下的"片段级投毒"（segment-level poisoning）检测与定位问题。现代 LLM Agent 通常把检索到的文段、用户评论、外部文档等多来源内容聚合成一个 prompt，攻击者只要控制其中少量来源，就能注入恶意片段来操纵模型输出。作者指出，现有防御主要依赖文本模式匹配、外部嵌入模型或额外的辅助检测器，面对措辞流畅、语义上也说得通的投毒片段时容易失效，而且基本无法指出到底是哪一段被污染，缺少溯源能力。论文的核心观察是：成功的 corrupted-evidence（污染证据）与 adversarial-instruction（对抗指令）攻击会在 LLM 内部激活中造成结构化的偏移，形成一种一致的激活空间模式，作者称之为 poison direction（投毒方向）。基于此提出 ActProbe 框架：把 MLP 激活投影到学习得到的 poison direction 上，并用在一个小型校准集上训练的轻量线性 SVM 来判定整个 prompt 是否被污染；随后用 BinRoL 完成片段定位，它结合了递归替换消融、基于 Mahalanobis 距离的分支剪枝以及基于 MAD 的鲁棒叶子检测三种手段。ActProbe 不需要修改后端模型，并把定位开销从 O(n) 的穷举探测降到 O(k log n) 次前向传播。实验覆盖三个数据集、两种攻击和四个开放权重 LLM，达到 0.01 的误报率、0.05 的漏报率、0.94 的定位召回率和 0.90 的定位 F1 值；对防御感知的自适应攻击仍然有效，并可通过代理模型（surrogate）迁移，为黑盒 API 场景提供投毒片段移除能力。总体上，这是一篇把可解释性/内部状态分析用于 Agent 输入完整性防护的工作，适合 RAG 与 Agent 安全方向的研究者和防御工程师阅读。