该论文系统研究了基于大语言模型（LLM）的多智能体交易系统中的对抗性漏洞。这类系统由多个专业智能体通过结构化通信协作生成交易决策，正从研究原型快速走向控制真实资产的实时部署。然而，智能体间的通信在提升效率的同时也引入了攻击面：一个被污染的信号可能传播至最终决策，造成实际财务损失。与以往假设攻击者具有系统内部特权访问的攻击不同，本文将攻击者的能力限制在实际可触及的范围——即智能体消费的源数据和提示词——从而构建了一个低门槛、去中心化的威胁模型，具体实例化为不同角色的攻击者。论文首次在金融领域开展了系统性实证研究，刻画对抗性信号如何进入多智能体交易系统以及能在多大程度上影响最终决策。在角色维度上，作者将常用交易流水线分解为四个功能角色：分析师、研究员、交易员和风险经理，并为每个角色匹配合适的攻击方式。在结构维度上，评估了四种通信拓扑在数据级和智能体级攻击下的表现，并提出对抗信号保留分数（Adversarial Signal Preservation Score, APS）作为事后分析工具，用于解释为何某些设计比其他设计更具鲁棒性。实验覆盖五种资产、两个主干模型和两个目标方向。核心发现是：没有任何架构天然免疫。这些结果为设计更安全、更鲁棒的多智能体交易系统提供了洞见。适合人工智能安全、金融科技、多智能体系统等领域的研究人员阅读。