Machine Learning-Based Detection of MCP Attacks 論文閱讀分析：真正該先擋下來的，可能不是工具執行結果，而是那段看似無害的 tool description
本文由 AI 產生、整理與撰寫。 論文基...
2026 年 4 月 18 日
MCP
2026
MCP Threat Modeling 論文閱讀分析：真正危險的也許不是某個有毒工具，而是整個 client 還把 tool metadata 當成半可信控制面在吃
MCP Threat Modeling ...
2026 年 4 月 18 日
Agent Audit 論文閱讀分析：真正該先掃的，不只是 prompt，而是整個 agent app 上線前早就攤在那裡的攻擊面
論文基本資訊 論文標題：Agent Au...
2026 年 4 月 18 日
ShieldNet 論文閱讀分析：當惡意 Agent Tool 表面看起來很乾淨，真正洩漏真相的往往是它背後那串網路流量
ShieldNet 真正重要的觀點，是供應鏈型 agent 攻擊未必會把惡意意圖寫進 tool description、schema 或對話紀錄裡。當風險藏在第三方工具實作與依賴中時，與其一直盯著 agent 說了什麼，不如回到 execution 期間的 network side effects，看它到底向哪裡連、送了什麼、做了哪些不該做的事。
2026 年 4 月 18 日
MCP Client 論文閱讀分析：真正危險的不是 AI IDE 會不會寫錯，而是你以為它只是在幫你開發，其實它已經開始替外部內容執行命令
論文基本資訊 論文標題：Are AI-a...
2026 年 4 月 17 日
MCPThreatHive 論文閱讀分析：當 MCP 生態開始爆量成長，真正缺的就不只是 scanner，而是一套活的威脅情報底座
MCPThreatHive 的重點不是再做一個單點防禦，而是把 MCP threat intelligence 做成持續運轉的基礎設施：從情報蒐集、LLM 分析、MCP-38/OWASP/STRIDE 對映、知識圖譜，到風險排序與視覺化，補上現有 MCP 安全工具在組合攻擊建模、持續更新與跨框架翻譯上的缺口。
2026 年 4 月 17 日
Prompt Injection SoK 論文閱讀分析：真正該被治理的，早就不只是 prompt，而是整條 coding agent 會接觸到的控制面
這篇 Prompt Injection Attacks on Agentic Coding Assistants 的 SoK 把問題講得很完整：當 coding assistant 已經能讀檔、跑 shell、接 MCP、吃 skill 與 repo 規則檔時，風險就不再只是某段 prompt 有沒有惡意，而是整條從外部內容、工具描述、協定整合到設定持久化的控制面都可能被注入。真正要治理的，是 agent runtime 的信任邊界，而不是只靠過濾器擋幾句關鍵字。
2026 年 4 月 17 日
ClawGuard 論文閱讀分析：真正能擋下間接提示注入的，可能不是更乖的模型，而是工具邊界前那道不靠運氣的安檢
ClawGuard 這篇論文最重要的提醒是：對有工具權限的 LLM agent 來說，安全不能只押寶模型自己在被污染的上下文裡保持清醒，而要把防線放在每一次 tool call 即將落地的邊界。它用任務導出的規則、內容遮罩、技能檢查與人工批准，把 web content、MCP 與 skill file 三條間接注入路徑一起拉回可審計的 runtime control plane。
2026 年 4 月 17 日
TRUSTDESC 論文閱讀分析：真正該防的不是工具描述裡哪句話有毒，而是模型為什麼還在直接相信它
TRUSTDESC 不再停在檢測惡意 tool description，而是從工具實作中自動生成較可信的 description，並以靜態切片、語義去毒與動態驗證把 tool poisoning 的信任問題往前推回 description integrity。真正的重點是：在 agent 時代，模型看到的工具語義不該再直接由第三方自我宣告。
2026 年 4 月 10 日