本文研究自主AI智能体在长时程任务中依赖市场技能（marketplace skills）的安全认证盲区。当前生态采用逐技能扫描（per-skill scanner）：每个技能单独通过安全检测即视为整体安全。作者指出该假设在技能组合（skill composition）下不成立：单个技能可能通过扫描，但当智能体将多个通过扫描的技能输出、能力或副作用串联起来时，可能形成高风险的组合链。因此，技能组合风险是路径级属性而非节点级属性，传统逐包扫描器只能有限拦截此类威胁。作者提出CompoSkill框架，构建技能组合攻击，包含双攻击者模型：白盒攻击者已知受害者的技能池，直接注入显式技能ID序列；黑盒攻击者仅知角色档案，下载该场景下最热门的市场技能，构建技能组合图（Skill Composition Graph），搜索高风险链，其中隐式诱饵不包含任何技能标识符。作者进一步构建CompoSkill-Bench基准，包含1140条记录，覆盖OpenClaw和Nanobot平台上五个威胁、六个场景的长时程专业工作流。实验表明，CompoSkill在白盒设置下风险链形成率（CFR）最高达83.3%，黑盒设置下达80.6%，而现有技能扫描器只能阻止有限比例的风险组合。作者还观察到“桥接技能增强-跳数衰减”模式：桥接技能可以提高攻击成功率，但当额外跳数使风险链超过三个技能时，攻击成功率（ASR）反而下降。这些结果揭示了单一技能认证在自主AI智能体中的系统性缺陷。该研究适合AI安全研究者、LLM平台安全工程师以及构建智能体生态的开发者阅读。