本文研究多智能体协同过滤（CF）系统中的攻击与防御问题，特别关注系统连接性如何影响这些攻击和防御的效果。多智能体CF系统由多个自主的大语言模型（LLM）驱动的用户智能体和物品智能体组成，它们通过自然语言交互来细化偏好并生成推荐。这类系统既继承了数据驱动方法的脆弱性，也继承了多智能体交互的固有风险，而这些风险以不同方式表现出来。作者认为，理解连接性如何调节系统脆弱性，有助于构建更稳健的推荐流水线。为此，作者将通用多智能体系统（MAS）文献中的攻击和防御方法改编到基于智能体的CF场景中，并在AgentCF框架下系统性地改变连接性进行评估。连接性沿两个维度刻画：（1）候选数量（每轮每用户考虑的物品候选数量，衡量用户侧交互密度）；（2）目录集中度（不同用户之间物品目录的重叠程度）。本文的贡献包括：（1）改编：在智能体CF领域复现了源于MAS的攻击和防御方法，证实了原有观察结果的部分可迁移性；（2）刻画：系统分析了连接性两个维度如何影响攻击与防御结果，揭示了用户智能体和物品智能体之间的角色不对称性、攻击效力的非单调时间动态，以及传播型攻击与提取型攻击在目标上的分歧模式。此外，作为探索性扩展，作者评估了受流行病学启发的静态指标在按预期攻击结果对CF配置进行排序方面的适用性，这可能支持低成本的鲁棒性评估。实现代码已开源（https://github.com/anjunhu/ConnACF）。本文适合关注智能体安全、推荐系统鲁棒性和多智能体系统安全的研究人员阅读。