该论文提出 SkillSentry，一个针对大型语言模型（LLM）智能体外部技能（Agent Skills）的动态安全测试框架。研究动机在于：外部技能在扩展智能体能力的同时，引入了执行时攻击面——一个静态检查看似良性的技能，只有在特定环境状态、资源或交互历史条件下才会暴露有害行为。传统扫描器主要依赖静态分析、预定义规则或一次性语义判断，难以有效诱发和归因这类条件性行为。SkillSentry 的核心方法包括三个步骤：首先，推断技能预期的能力边界；其次，构建由 LLM 模拟的环境，并设置受控的诱饵资源；最后，自适应地生成任务来探索技能的行为状态。它通过对比启用技能与匹配的无技能执行轨迹，将可疑行为定位到源代码和已验证的执行轨迹上，从而做出最终判断。实验部分，作者在七个扫描器配置上评估了 SkillSentry，在标准基准上达到 99.50% 的召回率和 96.26% 的平均 F1 分数；面对语义保持性规避攻击时，平均 F1 为 92.95%，而最强基线仅为 80.07%。代码已开源。该框架代表了从静态分析向动态、自适应安全测试的转变，为检测智能体技能的条件性恶意行为提供了新思路。适合关注 LLM 智能体安全、安全测试工具开发以及 AI 供应链安全的研究人员与蓝队工程师阅读。

大规模代码库的自动化漏洞发现仍然面临挑战：传统静态分析误报率高，而动态方法（如模糊测试）需要大量基础设施且通常针对狭窄的漏洞类别。近年来，大型语言模型（LLM）的进展使得对程序行为进行语义推理成为可能，但将LLM应用于仓库级安全分析会遇到上下文管理、成本和验证方面的问题。本文提出OpenAnt，一个开源的漏洞发现系统，它将静态程序分析与基于LLM的推理集成在一个多阶段流水线中。OpenAnt引入了三项关键技术：首先，将代码库分解为自包含的分析单元，并通过从外部入口点的可达性进行过滤，将分析面缩减高达97%，同时保留与攻击相关的代码。其次，候选漏洞通过对抗验证进行审查，即通过受限攻击者模拟，模型在现实攻击者能力下评估可利用性。第三，通过动态验证确认发现结果，其中自动生成漏洞利用环境，在沙箱容器中执行，并在使用后丢弃。在包括OpenSSL、WordPress和Flowise在内的广泛使用的开源项目上的评估表明，该架构能够识别以前未知的漏洞，同时保持可管理的分析成本并大幅减少误报。研究结果表明，结合语义推理和漏洞验证的闭环漏洞发现流水线，为可扩展的自动化安全分析提供了一条实用路径。OpenAnt已在Apache 2.0许可下开源。