CompoSkill：组合式技能链攻击，避免逐个扫描通过

CompoSkill 研究揭示，AI 智能体市场的技能即使逐个通过安全扫描，组合后仍可能形成高风险链路。研究提出双攻击者框架和基准 CompoSkill-Bench（含 1140 条记录），在 OpenClaw 和 Nanobot 上白盒攻击风险链形成率达 83.3%，黑盒达 80.6%，而现有扫描器拦截有限。

此前安全扫描器逐个验证技能并宣告市场安全，但该研究证明风险存在于技能组合路径而非单个节点，现有扫描能力受限，攻击者可利用隐式诱饵规避检测，凸显市场级安全体系的盲区。

技能组合风险是路径级属性：单个技能通过扫描，但当智能体连接其输出、能力或副作用时，可能形成风险链。白盒攻击者注入显式技能序列，黑盒攻击者仅凭角色画像下载热门技能，构建技能组合图并搜索高风险链，隐式诱饵不提及技能标识，故能绕过逐技能扫描。

依赖技能市场的 AI 智能体平台需升级安全评估机制，从逐项扫描转向组合分析。可能增加安全研发成本，但降低漏洞被利用的风险；对开发者而言，需要更严格的技能集成测试；对用户，潜在安全隐患得到关注但短期内或增加审核流程。

• 开发组合安全扫描工具，检测技能间交互风险，提供给技能市场平台作为增值服务。
• 设计技能沙盒环境，模拟链式调用，在部署前自动化测试组合场景。
• 建立技能组合风险数据库，供开发者查询已知风险模式。
• 推出安全认证服务，提供组合级证书，增强市场信任。

• CompoSkill 在真实市场中的应用效果如何？基准的覆盖度是否足够？
• 现有扫描器的拦截率具体是多少？证据未给出具体数字。
• 黑盒攻击的适用条件是什么？对角色画像的依赖程度如何？
• 防御措施是否有效？论文未提供具体防御方案。