Spezifikationsbasierte Sicherheitsbewertung von Tool-Calling realer Agenten bei Aufgaben mit langem Kontext

Voraussetzungen

• uv — Verwaltung der Python-Umgebung und Abhängigkeiten.
• Eine Sandbox-Laufzeitumgebung, installieren Sie eine von beiden:
  • Docker
  • Apptainer

Image-Erstellung

Erstellen Sie entweder ein Docker-Image oder ein Apptainer-Image

Docker-Image-Erstellung

cd docker

linux/amd64:

bash build.sh                

linux/mac/arm64：

PLATFORM=linux/arm64 IMAGE_TAG=ras-eval-arm:latest bash build.sh

Apptainer-Image-Build

cd docker

linux/amd64:

EXPORT_TAR=1 bash build.sh

linux/mac/arm64：

EXPORT_TAR=1 PLATFORM=linux/arm64 IMAGE_TAG=ras-eval-arm:latest bash build.sh

Umgebungseinrichtung

Erstellen Sie .env im Repository-Stammverzeichnis:

# LLM inference endpoint (OpenAI Chat-Completion)
OPENAI_API_KEY="sk-xxx"
OPENAI_BASE_URL="https://..."

# toolkit APIs (required by evaluation tasks)
AMAP_KEY="xxx"            # Amap - https://lbs.amap.com/
TAVILY_API_KEY="xxx"      # Tavily - https://www.tavily.com/
TUSHARE_TOKEN="xxx"       # Tushare - https://tushare.pro/

Python-Abhängigkeiten installieren:

uv sync

Evaluation ausführen

entries/runtime_verification.py führt den zu testenden Agenten aus und prüft die LTL-Spezifikationen mit nuXmv nach jedem Tool-Aufruf.

Docker

uv run entries/runtime_verification.py \
    --input_path data/input/ras_eval_toma.jsonl \
    --output_path data/output/deepseek-v4-pro/toma_opencode.jsonl \
    --framework opencode \
    --model provider/deepseek-v4-pro \
    --api_key sk-xxx \
    --base_url https://... \
    --sandbox docker \
    --os mac \
    --image ras-eval-arm:latest \
    --parallel 2 \
    --qps 1.0 \
    --request_qps 1.0 \
    --request_max_retries 5 \
    --timeout 900 \
    --limit 5 \
    --skip_exist_traceid

Apptainer

uv run entries/runtime_verification.py \
    --input_path data/input/ras_eval_toma.jsonl \
    --output_path data/output/deepseek-v4-pro/toma_opencode.jsonl \
    --framework opencode \
    --model provider/deepseek-v4-pro \
    --sandbox apptainer \
    --os linux \
    --apptainer_path /usr/local/bin/apptainer \  # path to your installed apptainer
    --image docker/ras-eval-amd--latest.sif \ # path to your saved image
    --parallel 2 \
    --qps 1.0 \
    --request_qps 1.0 \
    --request_max_retries 5 \
    --timeout 900 \
    --limit 5 \
    --skip_exist_traceid

Parameterhinweise:

• --framework: opencode | autogen | langchain | mcp | openai-agent | qwen-agent | hermes | openclaw | deepseek-harness | pi.
• --api_key / --base_url sind optional und greifen auf OPENAI_API_KEY / OPENAI_BASE_URL in .env zurück.
• --limit N begrenzt die Anzahl der Samples; --traceid ID führt stattdessen ein einzelnes Sample aus.
• --apptainer_path wird nur vom Apptainer-Backend verwendet.
• In --model provider/deepseek-v4-pro ist provider ein Platzhalter — er kann eine beliebige Zeichenkette sein (z. B. dein tatsächlicher Provider-Name oder ein beliebiges Präfix).

Datset

Einige Namen weichen vom Paper ab, die Namen werden in Zukunft korrigiert:

Indirect Prompt Injection: data/input/ras_eval_toma.jsonl (toma) Tool Poisoning Attack: data/input/ras_eval_tpa.jsonl (tpa) Skill Code Injection: data/input/ras_eval_cia_skill.jsonl (cia) Tool Code Injection: data/input/ras_eval_cia_tool.jsonl (cia_tool)

Run Data Construction

1. Normal Task Generation

touch data/output/seed.jsonl       # empty seed for a fresh run

uv run entries/flywheel_infer.py \
    --task generate \
    --mode base \
    --framework opencode \
    --model provider/deepseek-v4-pro \
    --api_key sk-xxx \
    --base_url https://... \
    --input_path data/output/seed.jsonl \
    --output_dir data/output/flywheel-generate \
    --sandbox docker \
    --os mac \
    --image ras-eval-arm:latest \
    --depth 9 \
    --limit 50 \
    --max_per_toolkit 5 \
    --disable_native_tools \
    --parallel 8 \
    --qps 1.0 \
    --timeout 900

Ausgabe: data/output/flywheel-generate/dataset/generated.jsonl.

2. Spezifikationsannotation

uv run entries/flywheel_infer.py \
    --task annotate \
    --mode base \
    --framework opencode \
    --benchmark ras-eval-next \
    --model provider/deepseek-v4-pro \
    --api_key sk-xxx \
    --base_url https://... \
    --input_path data/output/flywheel-generate/dataset/generated.jsonl \
    --output_dir data/output/flywheel-annotate \
    --sandbox docker \
    --os mac \
    --image ras-eval-arm:latest \
    --max_iterations 10 \
    --limit 50 \
    --disable_native_tools \
    --parallel 8 \
    --qps 1.0 \
    --timeout 3000 \
    --skip_exist_traceid

--mode base annotiert Completion- und Safety-Spezifikationen; --mode attack annotiert Security-Spezifikationen und erfordert --benchmark agentdojo oder skill_inject. Ausgabe: data/output/flywheel-annotate/dataset/annotated.jsonl.

3. Generierung von Angriffsaufgaben

uv run entries/flywheel_infer.py \
    --task generate \
    --mode attack \
    --framework opencode \
    --attack_type toma \
    --attack_model provider/deepseek-v4-pro \
    --target_model provider/deepseek-v4-pro \
    --api_key sk-xxx --base_url https://... \
    --target_llm_api_key sk-xxx \
    --target_llm_base_url https://... \
    --input_path data/output/flywheel-annotate/dataset/annotated.jsonl \
    --output_dir data/output/flywheel-attack \
    --sandbox docker \
    --os mac \
    --image ras-eval-arm:latest \
    --number_target_tool 1 \
    --max_iterations 6 \
    --max_restart 3 \
    --limit 50 \
    --parallel 2 \
    --qps 1.0 \
    --timeout 1200 \
    --skip_exist_traceid

--attack_type: toma | tpa | cia | cia-tool. --model ist der Fallback für den Angriffsoptimierer, wenn --attack_model weggelassen wird. Sicherheitsspezifikationen werden von der Angriffs-Pipeline selbst entworfen. Ausgabe: data/output/flywheel-attack/dataset/attack_generated.jsonl — dies ist der finale Datensatz, bereit zur Übergabe an entries/runtime_verification.py als --input_path (siehe Run Evaluation).