MCP协议正推动AI Agent自主执行任务，但安全风险飙升。研究发现，攻击者可借工具名称混淆、虚假错误等12类手法诱骗Agent执行恶意操作，连顶级模型也难以幸免。北京邮电大学团队发布MSB安全基准，通过真实环境测试揭示：性能越强的模型，反而越易受攻击。新指标NRP首次平衡安全与实用性，为AI Agent筑牢防线提供关键标尺。
最近，OpenClaw等开源AI Agent项目在开发者社区火爆出圈。只需要一句话，Agent就能自动帮你写代码、查资料、操作本地文件，甚至接管电脑。
这些 Agent 惊人自主性的背后，离不开工具调用提供的能力，MCP（Model Context Protocol，模型上下文协议）正是统一AI工具生态的接口。就像USB-C让电脑可以连接各种设备一样，MCP让大模型能够以标准化方式调用文件系统、浏览器、数据库等外部工具。
面对如此庞大的生态，连主打原生命令行的OpenClaw，也通过适配器接入了 MCP，以获取更广阔的工具能力。
然而，当AI的「手」越伸越长，危险也随之降临。如果Agent调用的工具本身被黑客投毒了呢？如果工具返回的报错信息里藏着恶意指令呢？
当大模型毫无防备地执行这些指令时，你的隐私数据、本地文件甚至服务器权限，都将沦为黑客的囊中之物。
为了填补MCP生态的安全测评空白，来自北京邮电大学等机构的研究团队推出了专门针对MCP协议的安全基准：MSB（MCP Security Bench）。研究发现：针对MCP的每个阶段的攻击都具有有效性。性能越强大的模型，反而更容易受到攻击。该论文已被ICLR 2026接收。
论文链接：https://openreview.net/pdf?id=irxxkFMrry
代码：https://github.com/dongsenzhang/MSB
Agent背后的MCP安全风险
图1：MCP攻击框架
MCP极大地拓宽了Agent的能力，同时也极大地拓宽了攻击面。在MCP体系下，Agent的工具调用流程通常包含三个阶段：
1. 任务规划（Task Planning）：Agent根据用户查询，通过工具名称和描述选择合适的工具。
2. 工具调用（Tool Invocation）：Agent向选定工具发送请求，并传入相应参数以执行具体操作。
3. 响应处理（Response Handling）：Agent解析工具响应结果，并据此继续推理或生成最终回答。
每一个阶段，都可能成为新的攻击入口。MSB覆盖完整的MCP工具调用阶段，专门用于评估基于MCP工具使用的 Agent安全性，具有三大核心亮点：
MCP 攻击分类体系
在 MCP 工作流程中，Agent通过工具标识（名称和描述）、参数以及工具响应与工具进行交互，这些都可能成为攻击途径。MSB根据这些攻击途径和交互阶段对攻击类型分类：
Tool Signature Attack：在任务规划阶段，利用工具名称和描述进行攻击，包括：
名称冲突（Name Collision，NC）：伪造名称与官方工具相似的恶意工具，诱导Agent选择。
偏好操纵（Preference Manipulation，PM）：向工具描述中注入宣传语句，诱导Agent选择。
提示注入（Prompt Injection，PI）：向工具描述中注入恶意指令。
Tool Parameter Attack：在工具调用阶段，利用工具参数进行攻击，包括：
越权参数（Out-of-Scope Parameter，OP）：设置超出正常功能的工具参数，通过参数传递引发信息泄露
Tool Response Attack：在响应处理阶段，利用工具响应进行攻击，包括：
用户模拟（User Impersonation，UI）：冒充用户下达恶意指令。
虚假错误（False Error，FE）：提供虚假的工具执行错误信息，要求Agent遵循恶意指令才能成功调用工具。
工具重定向（Tool Transfer，TT）：指示Agent调用恶意工具。
Retrieval Injection Attack：在响应处理阶段，利用外部资源进行攻击，包括：
检索注入（Retrieval Injection，RI）：嵌入恶意指令的外部资源通过工具响应破坏上下文。
Mixed Attack：在多个阶段，同时利用多个工具组件进行攻击，包括对以上攻击的组合。
基于真实环境的执行套件
MSB 拒绝纸上谈兵的模拟评测，其搭载了真实的MCP 服务器，涵盖10个现实场景、405个真实工具和 2,000 个攻击实例。所有实例都通过MCP运行真实的工具执行，真实地反映实际操作环境，以直接观测攻击对环境状态的破坏程度。
平衡性能与安全的指标NRP
在Agent安全测评中，单纯看攻击成功率（ASR, Attack Success Rate）极具欺骗性，如果一个 Agent 为了避免风险而拒绝执行任何工具调用，其ASR可能接近0，但同时也无法完成用户任务，失去实际应用价值。
为此，MSB提出了净弹性性能 NRP（Net Resilient Performance）指标：
NRP=PUA⋅（1−ASR）
其中，PUA（Performance Under Attack）为Agent在对抗环境中完成用户任务的比例，ASR为攻击成功率。NRP旨在评估Agent在抵御攻击的同时保持性能的整体抗风险能力，提供平衡性能与安全的综合性量化标准。
图2：NRP vs ASR，NRP vs PUA。
所有攻击方式均有效
图3：主实验结果。
研究团队使用MSB对GPT-5、DeepSeek-V3.1、Claude 4 Sonnet、Qwen3等10款主流模型进行了大规模测试，所有攻击方式均表现出有效性，总体平均ASR为40.35%。其中MCP引入的新型攻击更具侵略性，相较于在function calling中已存在的PI和RI攻击，基于MCP的攻击例如UI和FE有更高的成功率。混合攻击则是展现出协同增强，混合攻击的成功率要高于组成其的单一攻击。
越强大的模型，反而越脆弱题
不同指标间的关系揭示了一个反直觉的结论：能力越强的模型往往更容易受到攻击。
图4：PUA vs ASR。
在MSB中，完成攻击任务仍需要Agent调用工具，例如使用文件读取工具获取个人信息。具有更高实用性的LLM，由于其更出色的工具调用和指令遵循能力，表现出更高的ASR。这一发现揭示了MCP安全漏洞的巨大实际风险。
全阶段、多工具环境侵害
图5：不同阶段和工具配置的ASR。
进一步从MCP工作流程和工具配置的角度分析发现，在MCP的所有阶段Agent都容易遭受攻击，在工具调用阶段模型的安全性最低。
此外，即使在包含无害工具的多工具环境中，攻击依然有效。现实场景通常会为Agent提供工具包，即便存在无害工具，诸如NC、PM和TT等诱导方式仍会导致显著的攻击成功。
总结
OpenClaw的爆火，让人们直观地看到了Agent的未来：大模型不再只是回答问题，而是开始真正动手做事。MSB正是在这样的背景下提出，它系统揭示了MCP生态中的潜在攻击面，并为Agent安全研究提供了可复现、可量化的系统评测基准。
过去的大模型安全研究主要聚焦于提示注入等语言层面的风险，而MSB表明，当AI调用工具并与真实系统交互时，攻击面也正在从文本空间扩展到工具生态。随着Agent逐渐成为AI应用的新范式，安全或许正成为这场技术跃迁必须跨过的一道门槛。
参考资料：
https://openreview.net/pdf?id=irxxkFMrry
本文来自微信公众号“新智元”，作者：新智元
