该论文聚焦于基于大语言模型（LLM）的Agent技能系统的安全扫描盲区。现有技能扫描器主要分析文本描述、manifest和源代码，忽略了视觉内容可能携带恶意指令的风险。为此，作者提出了一种名为SkillCamo的多模态隐藏指令攻击方法：攻击者将恶意操作指令嵌入技能包的图像中，并改写配套文档使其自然引用这些图像作为正常流程的一部分。这样，在部署阶段，多模态Agent在执行技能时会联合解读文本提示和图像载荷，从而触发恶意行为，而扫描阶段仅检查文本则无法发现。为防御此类攻击，论文进一步提出ExecScan——一种基于执行的扫描模块，通过对技能工件进行意图提取、行为重建、滥用评估和审慎执行模拟，联合分析文档、代码、引用资源和视觉内容，以恢复隐藏指令、重建可执行行为链，并识别数据外泄、系统破坏、持久化、欺骗和权限提升等下游风险。实验结果表明，现有的技能扫描器无法有效检测图像隐藏的恶意指令，而ExecScan显著提升了扫描性能。该工作揭示了多模态Agent安全中视觉信息被忽视的攻击面，并提供了实用的检测框架，适合LLM安全研究人员、Agent平台开发者和安全运维工程师阅读。