本文研究了商业大型语言模型（LLM）应用商店中的配置泄露风险，提出了一种名为LLMThief的攻击方法。该方法通过精心设计的提示注入，利用LLM应用对外部输入的处理缺陷，成功从多个主流应用商店（如OpenAI GPT Store、百度文心一言等）中提取了敏感配置信息，包括API密钥、模型参数、后端数据库连接字符串等。作者首先系统分析了LLM应用商店的架构，识别出配置信息在应用打包、部署和运行时可能泄露的环节。LLMThief的核心思想是构造特殊的对话上下文，诱导LLM应用回显其内部配置或调用未授权接口。实验评估了超过50个商业LLM应用，发现约30%的应用存在配置泄露隐患，其中部分应用泄露的密钥可用于访问其他服务。本文还讨论了当前应用商店安全审核机制的不足，并提出了改进建议，如加强输入过滤、最小权限原则和动态配置加密。该研究为LLM应用生态的安全建设提供了重要参考，适合安全研究人员、LLM应用开发者和应用商店运营者阅读。