该论文提出了一种针对基于技能（skill-based）的大型语言模型（LLM）智能体的新型攻击方法——收敛性绕行劫持（Convergent Detour Hijacking, CDH）。在LLM智能体生态中，第三方技能通过自然语言描述供模型选择，而具体规划则依赖指令主体。这种渐进式披露设计向不可信技能发布者暴露了两个顺序控制点：一个静态技能可能将原本正确的任务引导至不必要的昂贵路径。以往研究大多将选择操纵、恶意技能指令和工具链资源放大等问题分开讨论，缺乏端到端组合分析。CDH是一种纯文本、运行时无关的攻击，它将上述阶段耦合起来：在共享语义掩护下，技能描述在模型选择阶段建立相关性，而技能主体则在规划阶段复用该相关性伪造合理依赖。攻击会吸引一个由攻击者控制的协调者技能与合法技能一同被选中，诱导无恶意技能加入一个有界绕行路径，随后重新回到原始任务路径，从而在保证任务完成的前提下放大资源消耗。作者在多种LLM后端和491个保留任务上进行了单任务和多轮条件评估。结果表明，在DeepSeek-V4-Pro上，匹配的协调者在80.02%的任务中被选中；在协调者命中的且任务完成的运行中，token消耗平均增加66.91%，端到端执行时间平均增加92.45%，而汇总任务完成率保持基本不变。该研究揭示了一个重要事实：即使任务结果正确，也不能保证轨迹完整性和成本安全。该论文适合LLM智能体安全研究者、AI系统开发者以及安全运营人员阅读，以理解智能体供应链中隐藏的资源放大风险。