AIHOT 于 2026-08-17 收录了“黑盒攻击可窃取智能体技能文件”这一公开动态。以下先呈现从来源页面抓取的正文，再给出 AIHOT 摘要与 TopoReduce 编辑解读。
PUBLIC SOURCE CONTENT
正文抓取受限，展示 AIHOT 可用内容公开原文内容
Agent skills have a new security problem: the model itself can become the extraction interface. Thi...
新研究测试用户能否仅通过正常黑盒交互窃取专有 SKILL.md，5 款商业模型中，最简单的提取提示平均实现 48% 精确恢复和 0.91 的 LLM 判定泄漏率。链式思维提示将精确恢复率推至 72%，少样本示例产生最高词汇和语义相似度。作者最强防御可阻止精确披露，但语义泄漏在更难案例中仍存，平台需将技能内容视为可通过模型行为外泄的数据。
AIHOT 摘要
新研究测试用户能否仅通过正常黑盒交互窃取专有 SKILL.md，5 款商业模型中，最简单的提取提示平均实现 48% 精确恢复和 0.91 的 LLM 判定泄漏率。链式思维提示将精确恢复率推至 72%，少样本示例产生最高词汇和语义相似度。作者最强防御可阻止精确披露，但语义泄漏在更难案例中仍存，平台需将技能内容视为可通过模型行为外泄的数据。
为什么值得关注
这项研究把视角从隐藏提示词转向模型行为，对平台而言，按数据泄露而非文本保密设计防护，可能更有效地评估语义泄漏。
工程化解读
从 TopoReduce 的工程视角看，这条信息属于“论文与研究”主题。它的价值不只在于一个新产品或新观点本身，还在于说明 AI 系统正在如何影响模型接入、智能体协作、研发流程、基础设施和团队决策。实际采用前，应结合原文确认版本、适用范围、价格和运行条件。
- 发布时间：2026-08-17；AIHOT 分类：论文与研究。
- AIHOT 标签：
- AIHOT 判断：这项研究把视角从隐藏提示词转向模型行为，对平台而言，按数据泄露而非文本保密设计防护，可能更有效地评估语义泄漏。
- AIHOT 评分：41；评分用于站内排序，不等同于独立评测结论。
TopoReduce 编辑观察
当 AI 动态进入真实生产环境，团队需要同时关注能力边界、数据来源、调用成本、权限控制和可回滚性。把单条新闻放回完整工程链路中阅读，比只看标题更有助于判断它是否适合自己的产品和工作流。