信頼できないエージェントスキルに対する構造化セキュリティ監査と堅牢性向上

概要: エージェントスキルのパッケージ SKILL.md ファイル、スクリプト、参照ドキュメント、およびリポジトリの文脈を、再利用可能な能力ユニットとしてまとめることで、事前ロード時の監査を単一プロンプトによるフィルタリングから、ファイル横断のセキュリティレビューへと変えます。既存のガードレールは多くの場合リスクを検出しますが、意味を保存する書き換えのもとでは、悪意ある意図を一貫して復元できないことがよくあります。本論文では、信頼できないエージェントスキルに対する事前ロード時の監査を堅牢な三者分類問題として定式化し、SkillGuard-Robust を提案します。これは、役割を考慮した証拠抽出、選択的な意味検証、整合性を保存する裁定を組み合わせたものです。SkillGuard-Robust を SkillGuardBench および 2 つの公開エコシステム拡張で評価し、254 から 404 までの 5 つの大規模評価ビューにわたって検証します。404 パッケージの非公開ホールドアウト集計では、SkillGuard-Robust は総合の完全一致で 97.30%、悪意リスクのリコールで 98.33%、攻撃の完全な整合性で 98.89% を達成します。254 パッケージの外部エコシステムのビューでは、それぞれ 99.66%、100.00%、100.00% に到達します。これらの結果は、制約付きの結論を支持します。パッケージ監査を分解した手法は、凍結された状態および公開エコシステムにおける堅牢性を実質的に向上させる一方で、より厳しい外部ソースからの転移は未解決の課題として残ります。