本文提出 ToolHazard，一个可扩展的对抗性环境合成框架，用于评估和提升基于大型语言模型（LLM）的智能体在集成外部工具时的安全性。核心研究问题是：LLM 智能体在感知环境状态时，容易受到嵌入其中的间接提示注入攻击，但现有研究多依赖手工构建或简单复用的环境、基于 LLM 的随机工具模拟以及预定义的注入位置，难以支撑跨领域的规模化安全研究。ToolHazard 通过三个核心组件——环境模拟器（Environment Simulator）、攻击代理（Attacker Agent）和用户模拟器（User Simulator）——自动化地合成可执行的有状态环境，自动发现可行的注入点并生成针对特定环境的载荷，同时构造状态接地（state-grounded）的长时程任务。基于该框架，作者构建了 ToolHazard-Bench，用于在复杂工作流和多样化环境攻击下对智能体进行压力测试。实验结果表明，智能体在多种场景下存在显著漏洞，且注入的时机和位置对攻击效果有重要影响。此外，利用 ToolHazard 生成的对齐数据在 ToolHazard-Bench 和 AgentDojo 两个基准上均提升了智能体的安全性，同时未明显牺牲良性任务的效用。该工作为 LLM 智能体安全评估和对齐提供了可复现、可扩展的自动化工具，适合从事大模型安全、红队测试和智能体对研究的研究人员阅读。