Recognition Without Enforcement: Configuration-Dependent Failures in LLM Agent Instruction Arbitration and External Control

该研究针对 LLM 代理在指令仲裁中的安全边界问题。LLM 代理需要同时处理系统提示、用户输入、记忆和工具等来源的指令，但研究发现模型对指令来源的仲裁不能保证强制信任边界，存在一种'识别-执行差距'：模型激活中可以线性解码出源格式特征（如角

历史摘要 · 未重新核验 · arXiv cs.CR