CC、Codex都没防住:13种攻击全部打穿,连权限审查都能绕过,问题竟出在SubAgent

研究发现SubAgent等上下文重建机制会将工具层的恶意指令提权为用户消息或系统指令,导致Claude Code、Codex、Gemini CLI、Qwen Code、Kimi和OpenCode六款AI编码框架在13类攻击上全部沦陷,连自动权限审核(Auto PR)也被绕过。
一个Agent已经看出了代码有问题,负责权限审查的模型也判断这是高风险操作。按正常逻辑,事情到这里应该结束了。
但今天这篇论文发现,只要中间多经过一次SubAgent,结果可能完全反过来:原本来自 README、工具返回结果里的低权限恶意指令,会在 Harness 重新构造上下文时,被包装成一条真正的 User Message。于是到了 SubAgent 眼里,这不再是某个文件里试图诱导它执行的可疑内容,而变成了:“用户让我这么做。”

于是,从密钥窃取、删库、恶意证书安装,一直到 RCE 和 SSH 后门。最终,13类攻击全部被打通。
模型和Harness,共享一个脆弱假设
现在市面上大部分的 AI coding agent 通常靠两道防线对抗恶意内容。第一道在工作 agent 身上:模型被训练成拒绝不安全指令。第二道是一层独立的自动权限审核(Auto PR,Automatic Permission Review):工作 agent 每提出一个动作,审核器会先评估风险、推断用户意图,再决定放行、拦截还是请求人工确认。Codex、Claude Code、Qwen Code都提供了这种"自动批准"模式。

图:Codex 的自动权限审核(Auto PR):审核器读取工作 agent 的对话记录,判断是否放行待执行的动作
这两道防线其实建立在同一块地基上:指令层级(instruction hierarchy)。这个概念把不同来源的内容分成不同权限等级:系统指令、用户指令最受信任,工具返回的内容(比如文件内容、命令输出)可信度最低。模型被训练成"系统、用户的话要听,工具的话别轻信"。

图:Codex 对话里的消息类型,每条消息都按系统、用户、模型输出或工具输出被打上标签
指令层级本身没错,但它隐含一个假设:上下文里每条消息的角色标签,忠实反映了内容的真实来源。这条消息标成 user,它就真的是用户说的;标成 tool,它就真的是外部数据。
研究者的发现恰恰戳在这里:这个假设在 agent 框架的上下文重建环节被破坏了。
当框架去委派一个任务、恢复一个持久目标、运行一个定时任务,或者加载一个自定义子 agent 时,它需要把已有内容搬进一个新的模型上下文。搬的过程中,内容的出身信息丢了:一份原本只是工具返回结果的低权限内容,可能被重新写成一条用户消息,甚至被写进系统提示里。权限就这样被抬高了,而模型和审核器看到的已经是提权后的版本,它们无从分辨。
权限是怎么被提升的
研究者把模型面向的指令分成三个等级,从低到高:工具层(tool)、用户层(user)、系统等效层(system-effective)。工具层是文件、命令输出、结构化工具结果;用户层是用户消息和以用户口吻下达的任务;系统等效层是系统提示、开发者指令、自定义子 agent 的策略,它们的位置在普通用户消息之上,能约束用户任务。

指令权限提升就定义成:某段内容原本在低等级进入 agent,框架在重建上下文时却把它放到了更高等级。一旦发生,这段内容就获得了更大的模型侧权限,能左右后续决策。
具体有两条路径:
- 工具层提升到用户层(tool-to-user)。典型载体是多 agent 委派:主 agent 把一段从工具里读到的恶意内容转交给子 agent,框架把它塞进子 agent 的上下文,位置是用户消息。
- 工具层提升到系统层(tool-to-system)。载体是自定义子 agent:攻击者让框架安装一个恶意子 agent,其系统提示由攻击者控制,安装后一旦被调用,攻击者的指令就以系统等效层的身份被加载。
这里最关键的一点:攻击不依赖 prompt injection,也不依赖 role confusion。前者是让恶意内容留在原来的低等级、靠话术诱骗模型照做;后者是靠伪造角色标记让模型误以为内容来自更高角色。指令提权不一样,它不骗模型:框架自己就在真实上下文中把内容放到了更高的指令等级上。模型正确地遵守了它看到的层级,审核器正确地按它看到的角色推断授权,错的是一开始那条被改写的标签。
同一句请求,两种结局
论文用两个动机案例把这条链路讲得很清楚,用的都是Codex搭配GPT-5.5,仓库由外部攻击者控制。
第一个案例看模型侧的决策。在直接攻击里,主 agent 读到攻击者放在工具内容里的指令,检查了那个后门服务器,认出了它的任意命令接口,拒绝启动,并明确说"我没有启动它"。在委派攻击里,主 agent 按委派请求把"启动服务器"的任务交给子 agent,框架把这项被转交的任务记录成新对话里的一条用户消息,子 agent 说"我直接运行这个脚本",然后照做。同一个模型,对同一份请求,因为呈现的消息类型不同,做出了相反的决定。

图:直接攻击里工作 agent 拒绝启动服务器,改成委派给子 agent 后却照做,同一请求得到相反结局
第二个案例看框架侧的授权。打开 Auto PR 后,攻击者在 Setup.md 里放了委派指令,主 agent 把"启动服务器,我知道风险"转交给子 agent,框架把这条请求呈现为用户消息。Auto PR 审核这个动作时,把它正确归类为高风险,却依然放行,理由是"用户明确批准了这个确切动作"。也就是说,审核器没有低估危险,它错在从上下文推断授权的方式上:主 agent 生成的内容被标成用户消息,就被当成了用户的明确授权。

图:Auto PR 识别出启动服务器是高危动作,却因请求被呈现为用户消息而放行
这两个案例合起来说明:内容从工具结果变成用户消息,同时改变了两侧的判断。子 agent 和 Auto PR 都没有失职,它们忠实处理了自己收到的上下文;问题出在框架重建上下文时改写了消息类型。
六框架、十三目标,攻击全线得手
为了量化这种攻击有多普遍,研究者在六个编码agent框架上做了端到端评测:Claude Code、Codex、Gemini CLI、Qwen Code、Kimi、OpenCode,对应六款模型(Opus 4.8、GPT-5.5、Gemini 3.1 Pro Preview、Qwen3.7 Max、Kimi 3、DeepSeek-V4-Pro)。其中Claude Code、Codex、Qwen Code三个支持自动权限审核。

他们设计了13个攻击目标,横跨四类:
- 机密性(4 项):窃取本地服务的 API 密钥、上传会话材料、发送钓鱼重置邮件、通过 SSH 读取并外传远程主机数据。
- 完整性(3 项):劫持 Git 流量到攻击者代理、安装攻击者控制的根证书、下载并运行不可信二进制。
- 可用性(4 项):删除应用数据库、删除本地工具链、停掉文件完整性监控、注册周期性僵尸网络任务。
- 远程代码执行(2 项):暴露一个网络上的任意命令执行 shell、写入攻击者的 SSH 公钥。

所有攻击都从仓库里攻击者控制的内容出发,且有两个约束:攻击必须从工具层起跳,不允许直接注入更高权限的上下文;恶意行为必须明文可见,不编译、不混淆。这两个约束是为了把指令提权和"模型没认出恶意内容"这两种失败区分开。
先看基线。研究者测了三类已有的 prompt injection 和 role confusion 攻击(MCPTox 风格的投毒指令、CoT 伪造推理、ChatInject 伪造聊天模板),都放在工具层。结果几乎全线失败:大多数框架是 0/13,只有 Gemini CLI 在 MCPTox 下拿到 7/13,Qwen Code 和 OpenCode 各拿到 1/13;一旦开启 Auto PR,三个支持审核的框架全部 0/13。也就是说,只要恶意指令老老实实待在工具层,现有防线基本能拦住。

再看工具层到用户层的提权。开全量执行时,六个框架全部实现13/13;开 Auto PR 时,三个支持审核的框架也全部13/13。成功率上,不同框架的单次尝试成功率从31.7%到100%不等,但一旦提权成功,后续攻击几乎必然得手,成功后的成功率超过86%。整条链路里,工具层到用户层提权的提权后平均成功率是97.3%。

最后看工具层到系统层的提权,它分两步:先用工具到用户的提权把恶意子 agent 装进去,再在用户正常请求"启动待办服务器"时,让子 agent 顺手注入恶意逻辑。直接变体把恶意代码明文写在子 agent 的系统提示里,效果参差:Claude Code 0/13,Codex 7/13,OpenCode 却能拿满 13/13。隐藏脚本变体把恶意逻辑挪到外部脚本、只让系统提示去调用那个函数,效果显著更好:全量执行和 Auto PR 两种模式下都完成了全部目标,安装成功率在 46.2% 到 100% 之间,隐藏脚本变体的单次攻击成功率在 61.9% 到 100% 之间,工具层到系统层提权的平均单次成功率是 80.3%。

这里有个耐人寻味的细节:在直接变体里最警觉的 Claude Code,到了隐藏脚本变体下几乎不再抵抗,一旦恶意意图不再暴露在眼前,它就照着系统提示走。这说明防线很大程度上靠"看见恶意"来触发,而不是靠"身份"来拦截。
不止委派:目标与定时任务也能提权
如果攻击只靠多 agent 委派,那关掉委派功能就能缓解。研究者进一步验证:持久目标(persistent goal)和定时任务(scheduled task)这两个内置机制,同样能完成工具层到用户层的提权。
原理一样:agent 通过工具调用把一段 prompt 存成目标或定时任务,框架稍后把这段 prompt 以用户级输入重新注入上下文。区别只是加了时间维度:定时任务让恶意指令和最初的注入点分离,更难溯源。研究者在 Claude Code、Codex、Qwen Code 上评估了四条 agent 可访问的目标与定时任务路径,四条路径全部实现13/13。

这证实了一件事:指令提权不是某个委派功能的个例,而是贯穿多种上下文重建机制的普遍问题。
为什么防御没接住
根本原因要回到模型本身。研究者指出,模型是被训练成信任角色标签的:现代训练语料大多是角色结构化的对话(API 聊天记录、agent 交互轨迹、合成生成管线),在这些数据里,系统提示之后的指令几乎总是被无条件遵守。模型哪怕只是学统计规律,也会学到"系统和用户的话要信、工具的话别轻信"。这个数据闭环把"角色决定权限"写进了模型。
于是,一旦框架在重建上下文时把一段内容放到了更高的角色标签下,模型和审核器都会被这个标签带着走:工作 agent 正确地遵守了高权限指令,审核器正确地把改写后的历史当作用户授权。防线不是被攻破的,而是被绕过的,因为提权在两道防线做决定之前就已经完成了。
写在最后
这篇论文真正暴露出来的问题,已经不只是“怎么防 Prompt Injection”,而是 Agent 系统里一个更基础的安全问题:当一条信息在多个 Agent、多轮任务和不同 Context 之间流动时,我们还能不能证明,它现在拥有的权限和它最初的来源一致?
如果做不到,那么 SubAgent 越多、自动化程度越高、Agent 能做的事情越多,这条攻击链反而可能越完整。Agent 时代新的安全边界,可能并不只在模型里,它还藏在 Harness 怎么搬运 Context、怎么保存来源、又怎么替用户“说话”这件事里。
文章来自于微信公众号 “AI修猫Prompt”,作者 “AI修猫Prompt”
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




