本文针对LLM智能体在加载第三方技能（skill）时面临的安全威胁展开研究。技能是以自然语言指令编写的文件包，由第三方开发者编写并通过市场分发，执行时拥有用户特权。恶意技能可窃取数据、劫持智能体或在供应链中持久化，使技能市场成为新的攻击面。现有提示注入防御不适用于此场景，因为它们依赖于可信指令与不可信数据之间的边界，而技能本身即指令集合，注入命令混入合法指令中并继承其权限。为此，作者提出Locate-and-Judge两阶段检测器：第一阶段使用轻量级定位器（locator），根据每条指令被遵循的注意力分数（instruction-following attention）对技能的各个结构跨度（span）进行评分，仅保留得分最高的K个跨度；第二阶段由判断器（judge）详细检查这些保留跨度。将昂贵的判断集中在小部分高注意跨度上，使检测器能够审计整个市场而非抽样。与直接基于LLM的扫描相比，该方法将成本降低一个数量级，大幅提升可扩展性，同时仅牺牲少量召回率。在可比成本下，其表现优于关键词和正则表达式基线。部署于市场级别规模且成本极低时，Locate-and-Judge能够以高精度标记可疑技能，其中大部分经验证为恶意，发现了数十个活跃恶意技能，包括多个伪装成良性功能的技能，以及许多被SkillSpector和Cisco Skill Scanner漏检的技能。作者还发布了标注数据集。本文适合AI安全研究员、LLM应用开发者及平台安全运维人员阅读。