NeurIPS 2026 论文提出 Defense-as-Skill：让 Agent 运行时安全守卫可进化
把 Agent 的安全守卫从手写静态规则改造成可自动进化的 Skill，9 轮迭代把攻击成功率压到 0.078，且不牺牲正常任务完成率
Agent 的能力靠 Skill 积累、经验靠记忆沉淀，但安全防御往往是一份写死的策略文本，上线即开始过时。被 NeurIPS 2026 收录的《Defense-as-Skill》把运行时守卫本身做成一个可编辑、可评估的 Skill（称为 SkillSonar），并用蒙特卡洛树搜索让它随攻击手法自动进化：9 轮迭代后恶意攻击成功率从 0.300 降到 0.078，且在训练中从未见过的攻击家族上同样有效。
正文摘录
.png) 今天 Agent 系统里几乎一切都在进化：能力靠 Skill 持续积累，经验靠记忆不断沉淀。只有一样东西是静止的：安全防御。它通常是一份手写的策略文本，写完的那一刻就可能开始过时，而攻击手法每天都在变。 这篇工作《Defense-as-Skill: Evolving Runtime Guard Skill for Skill-Augmented Agents》被 NeurIPS 2026 录用，它想消除的正是这个不对称：让防御也成为一个可进化的 Skill。  一、 静止的防御，追不上进化的攻击 以恶意 Skill 为例。它不需要在安装时做任何坏事，可以一直很正常，直到某个具体的用户任务、某份工作区状态、某组可用工具“凑齐”了，不安全的动作突然显得“有用”了：顺手读一下 .env 里的密钥，顺手把日志传到某个外部地址，顺手跳过一下权限确认。 安装前审查拦不住这种会潜伏的风险，因为它发生在运行时。而传统的运行时防御，无论是一条系统提示还是一组人工规则，本质上都是静态的：攻击在演化，防御却只能等人来改。真正的问题因此是双层的：Agent 执行的动作是否越界，以及防御本身能不能跟着威胁一起变强。