本文研究了文本协作提示优化（TCPO）中的提示注入风险。TCPO 扩展了 Textgrad 框架至去中心化设置，允许多个客户端联合优化大语言模型（LLM）的提示词，同时保持数据本地化。然而，TCPO 依赖自由形式的文本更新和聚合，引入了新的攻击面：恶意指令可被注入本地提示并通过服务器端聚合传播。与传统的提示注入攻击不同，攻击 TCPO 的目标是其协作优化循环，更具挑战性，因为恶意指令必须存活于聚合过程、在后续良性提示优化中持续存在，并规避服务器端防御。为揭示此风险，作者提出 CPInj——一种协作提示注入攻击，能够污染聚合后的全局提示词，降低下游任务性能，抵抗良性客户端的提示优化净化，并逃避基于检测的先进防御。实验发现现有防御方法对 CPInj 无效。为缓解该攻击，作者进一步提出一种防御导向的聚合方法 APAgg，可净化恶意指令并部分恢复 TCPO 的效用。在三个 LLM 家族和五个推理任务（数学、逻辑、医学）上的广泛实验表明，所提攻击揭示了 TCPO 的关键漏洞；尽管向缓解迈出第一步，但攻击仍然高度有效且远未完全解决，呼唤更鲁棒的 TCPO 防御。