# DART 攻击方法

该工作把工具型语言模型智能体的攻击与防御统一表述为部分可观测状态控制问题（SEAD），据此提出用执行反馈做树搜索的攻击方法DART与可在执行前做只读状态调查的防御方法SAGE，并在187个恶意任务、四个目标模型上报告DART在语义与可执行两种判据下均超过基线18.8–35.9个百分点，SAGE在记录轨迹上保留95.79%的良性轨迹、拦截92.73%的有害路径，在线评估中把DART的可执行攻击成功率从48.0%降至4.0%。

该工作把工具型语言模型智能体的攻击与防御统一表述为部分可观测状态控制问题（SEAD），据此提出用执行反馈做树搜索的攻击方法DART与可在执行前做只读状态调查的防御方法SAGE，并在187个恶意任务、四个目标模型上报告DART在语义与可执行两种判据下均超过基线18.8–35.9个百分点，SAGE在记录轨迹上保留95.79%的良性轨迹、拦截92.73%的有害路径，在线评估中把DART的可执行攻击成功率从48.0%降至4.0%。