本文首次系统性地研究了大语言模型（LLM）智能体（Agent）中的“资源劫持”（resource hijacking）安全盲区。以往智能体安全研究主要关注指令注入、数据泄露和工具滥用等攻击，而智能体可访问的高价值资源（如计算基础设施、凭证、使用预算、身份、私有知识、通信渠道和组织工作流）作为直接攻击目标很少被关注。资源劫持是指攻击者诱导智能体调用、消耗、转移或控制这些高价值资源以达到自身目的，而无需直接获得资源本身或对应凭证。作者提出了 ResourceHijackBench 基准测试，并构建了自动化的资源劫持案例生成流水线。他们将高价值资源分为六类，构造了 300 个攻击场景和 900 条攻击提示。每个案例在隔离的本地环境中运行，记录实际资源使用情况，从而可以基于智能体的行为而非仅文本响应评估攻击。实验结果显示，在没有额外防御的情况下，OpenClaw 的平均攻击成功率高达 84.06%；在不同模型后端上攻击依然有效，平均成功率在 69.98% 到 89.58% 之间。现有防御措施只能降低部分风险，即使最强的已评估防御，平均攻击成功率仍为 55.11%。这些结果表明，智能体可访问的高价值资源构成了一个重要且此前被忽视的攻击面，而当前智能体防御不足以防范资源劫持风险。