Avaliação de Segurança Baseada em Especificação de Chamadas de Ferramentas de Agentes do Mundo Real em Tarefas de Contexto de Longo Horizonte

Pré-requisitos

• uv — gerenciamento de ambiente Python e dependências.
• Um runtime de sandbox, instale um dos:
  • Docker
  • Apptainer

Construção da Imagem

construa uma das imagens docker e apptainer

Construção da Imagem Docker

cd docker

linux/amd64:

bash build.sh                

linux/mac/arm64：

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

Construção de Imagem 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

Configuração do Ambiente

Crie o arquivo .env na raiz do repositório:

# 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/

Instale as dependências do Python:

uv sync

Executar Avaliação

entries/runtime_verification.py executa o agente em teste e verifica as especificações LTL com nuXmv após cada chamada de ferramenta.

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

Notas sobre os parâmetros:

• --framework: opencode | autogen | langchain | mcp | openai-agent | qwen-agent | hermes | openclaw | deepseek-harness | pi.
• --api_key / --base_url são opcionais e recorrem a OPENAI_API_KEY / OPENAI_BASE_URL em .env.
• --limit N limita a contagem de amostras; --traceid ID executa uma única amostra.
• --apptainer_path é usado apenas pelo backend Apptainer.
• Em --model provider/deepseek-v4-pro, provider é um placeholder — pode ser qualquer string (por exemplo, o nome real do seu provedor ou um prefixo arbitrário).

Datset

Alguns nomes diferem do artigo; os nomes serão corrigidos no 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

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

2. Anotação de Especificação

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 anota especificações de conclusão + segurança; --mode attack anota especificações de segurança e requer --benchmark agentdojo ou skill_inject. Saída: data/output/flywheel-annotate/dataset/annotated.jsonl.

3. Geração de Tarefas de Ataque

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 é o fallback do otimizador de ataque quando --attack_model é omitido. As especificações de segurança são elaboradas pelo próprio pipeline de ataque. Saída: data/output/flywheel-attack/dataset/attack_generated.jsonl — este é o conjunto de dados final, pronto para ser fornecido a entries/runtime_verification.py como --input_path (consulte Executar Avaliação).