Valutazione della sicurezza basata su specifiche per il tool-calling di agenti reali in attività contestuali a lungo orizzonte

Prerequisiti

• uv — gestione dell'ambiente Python e delle dipendenze.
• Un runtime sandbox, installane uno tra:
  • Docker
  • Apptainer

Build dell'immagine

crea un'immagine docker o un'immagine apptainer

Build dell'immagine Docker

cd docker

linux/amd64:

bash build.sh                

linux/mac/arm64：

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

Build dell'immagine Apptainer

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

Configurazione dell'ambiente

Crea il file .env nella radice del repository:

# 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/

Installa le dipendenze Python:

uv sync

Esegui la valutazione

entries/runtime_verification.py esegue l'agente in prova e verifica le specifiche LTL con nuXmv dopo ogni chiamata di strumento.

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

Note sui parametri:

• --framework: opencode | autogen | langchain | mcp | openai-agent | qwen-agent | hermes | openclaw | deepseek-harness | pi.
• --api_key / --base_url sono opzionali e ricadono su OPENAI_API_KEY / OPENAI_BASE_URL in .env.
• --limit N limita il numero di campioni; --traceid ID esegue un singolo campione.
• --apptainer_path è usato solo dal backend Apptainer.
• In --model provider/deepseek-v4-pro, provider è un segnaposto — può essere qualsiasi stringa (ad es. il nome effettivo del tuo provider o un prefisso arbitrario).

Datset

Alcuni nomi sono diversi rispetto al paper, i nomi saranno corretti in futuro:

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

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

2. Annotazione delle specifiche

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 annota le specifiche di completamento + sicurezza; --mode attack annota le specifiche di sicurezza e richiede --benchmark agentdojo o skill_inject. Output: data/output/flywheel-annotate/dataset/annotated.jsonl.

3. Generazione dei task di attacco

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 è il fallback dell'optimizer di attacco quando --attack_model è omesso. Le specifiche di sicurezza vengono redatte dalla pipeline di attacco stessa. Output: data/output/flywheel-attack/dataset/attack_generated.jsonl — questo è il dataset finale, pronto per essere passato a entries/runtime_verification.py come --input_path (vedi Esecuzione della Valutazione).