该论文研究基于大语言模型（LLM）的搜索代理在整合网络内容时可能遭受的推荐操纵风险。LLM搜索代理代表用户综合开放网络内容并给出可操作建议，这为攻击者提供了机会：通过发布恶意网页，诱导代理将攻击者的内容转化为被认可的建议。为此，作者提出了SearchGEO——一个用于衡量LLM搜索代理推荐腐败程度的受控评估框架。该框架包含三个核心组件：网络证据操纵流水线（可自动化生成包含特定偏见的网页）、五模式攻击分类法（针对不同攻击场景）以及多个输出层指标（如攻击成功率ASR）。作者利用308个测试案例对13种LLM后端（如Claude、Gemini、GPT系列等）进行了评估。结果表明，不同后端的脆弱性模式差异显著：整体ASR从Claude-Sonnet-4.6的0.0%到Gemini-3-Flash的31.4%不等；最强攻击模式因模型家族而异；相同的部署脚手架在不同后端上可能放大或降低ASR。此外，论文通过辅助代理技能探测实验（将推荐转化为安装命令）进一步揭示了后端的极端行为：Claude过度拒绝而GPT过度信任。这些发现表明，在对抗性搜索内容下，推荐可靠性应作为后端安全评估的一个首要维度，为LLM安全从业者提供了评测方法和警示。