该论文研究编码智能体（coding agents）在从第三方代码仓库引导项目时所面临的仓库投毒（repository poisoning）风险。以往研究主要关注攻击者控制的注入与伪装手段，但本文提出一个被忽视的维度：开发者的日常调用选择——包括委托什么任务、如何表述请求、提供哪些技能或规则——也会显著影响智能体的安全暴露。作者将这些用户侧选择定义为“提示级配置”（Prompt-Level Configurations, PLCs），并构建了首个系统化变异PLC的基准测试集CIPR（Coding In Poisoned Repos）。CIPR包含来自20个真实仓库的1,920个实例，覆盖四种任务类型、三种基于社交媒体语料归纳的提示风格，以及三种技能/规则条件，并通过自动化运行时与基于调用轨迹的预言机来度量攻击成功率（ASR）和智能体告警率（AR）。评估揭示两个关键发现：（1）脆弱性高度依赖上下文，任务类型可导致最多4.5倍的ASR差异，其中“测试执行”任务形成沉默攻击面（高ASR、低AR）；（2）提示表达会间接改变风险：欠具体的提示因缩短执行深度而降低ASR，而嘈杂的提示则呈现抑制告警的定向趋势——使恶意内容更不显眼。作者由此论证，编码智能体的脆弱性并非静态属性，而是由日常用户配置塑造的动态结果。该研究为理解人机交互在AI辅助开发安全中的作用提供了新视角，适合关注LLM智能体安全、软件供应链安全以及人因安全的研究人员阅读。