该论文关注大语言模型（LLM）及其 Agent 在代用户获取外部信息时衍生出的新型数据外泄风险。作者指出，现有研究主要聚焦两类威胁：提示注入，以及机密数据被发送给聊天机器人服务商；业界也提出了输入结构化、本地部署模型等缓解手段。但论文强调，即便采用本地 LLM，模型本身仍可能成为把机密数据外送给第三方的通道。为此作者提出并验证了名为 LLMLeak 的攻击向量：一个在本机运行、自身不具备直接联网能力的恶意软件组件，可以“借用”LLM 的联网能力建立隐蔽信道。其思路是把敏感信息编码进一个 URL，并以“完成某项正常任务（例如迁移某个软件库）需要参考该网址内容”为掩护，诱导 LLM 主动抓取该链接；当 LLM 经其网页获取工具访问该 URL 时，攻击者控制的 DNS 服务器或 Web 服务器即可收到被编码的机密数据。作者强调这一路径难以被现有防护覆盖：直接要求 LLM 生成发送数据的代码通常容易被检出，相关网络库在沙箱中往往也被限制，而 LLMLeak 只依赖模型自身合法的网页抓取工具。作者在 11 个开放参数模型上进行大规模评测，报告 79.7% 的攻击成功率，并在真实聊天机器人上开展案例研究，说明该风险在真实部署环境中具有现实相关性。整体上，论文的贡献在于揭示“合法工具滥用”这一被忽视的外泄面，并量化其在主流模型上的可行性，属于面向 LLM/Agent 安全与隐私的设计与评测类研究。