Implicit Manipulation for Skill Selection in LLM Agents with Semantic Matching
本文研究了大语言模型（LLM）代理系统中的技能选择阶段的安全性。技能选择是决定用户请求由哪一个已安装技能来处理的关键环节。现有攻击手段主要依赖显式提示注入或指令级转向，这些方法容易暴露出可识别的操纵特征。针对这一空白，作者发现了一种新的隐式
#semantic-matching
共收录 2 条相关情报。
← 返回所有主题Semantic Identification of IoT Devices from Behavioral Primitives
该论文针对物联网设备准确识别这一关键安全问题，提出了一种基于制造商使用描述（MUD）配置文件的语义识别方法。现有方法通常从数据包或流记录中学习设备签名，但这些低层通信观测的流量模式会随部署环境、软件版本和用户交互而变化，导致识别鲁棒性不足。