arXiv cs.AI· Gangzhen Qian, Kainan Zhou, Chuhong Xu, Hang Xiao, Zhi Jing, Rong Bao, Lu Yi, Zhaoyi Li·· 13 小时前AI 评分31
AI 搜索中的 /llms.txt 检索：证据缺口与安全评估
Manifest-Assisted Retrieval in Artificial Intelligence Search: Evidence Gaps and a Security Evaluation
AI 导读
一项针对 AI 搜索中 /llms.txt 清单文件的安全评估发现，现有外部来源无法分离出消费 /llms.txt 带来的增量安全或效用影响。审计覆盖截至 2026 年 8 月 16 日的 39 个来源，15 工具研究在单端点 45 次试验中未观察到自动请求，日志研究显示 2026 年 5 月 97% 检测到该文件的域名无请求记录。
正文 · AI 翻译
摘要：我们在非系统性审计中保留的外部来源，并未在普通检索保持固定的情况下，分离出使用 /llms.txt 所带来的增量安全或效用影响。初步审计截至 2026 年 8 月 16 日覆盖了 39 个来源，后续针对性更新截至 10 月 14 日。一项目的性抽样的 15 工具研究在一个端点的 45 次试验中未观察到自动请求；一项非概率日志研究发现，在 2026 年 5 月，检测到文件存在的域名中有 97% 未收到任何记录的请求。我们区分发布、抓取、模型使用和行动；定义五条操作性威胁路径和成对的安全-效用估计量；并使用 30 个作者定义的解析器测试夹具，执行确定性的模型前控制。我们还执行了一项缩减试点：跨八个站点、五种条件、120 个真实模型响应的 24 项任务，普通证据保持固定。冻结的自动评分在 $21/24$ 个原始对抗性响应中识别出攻击者目标采纳，另有一个响应未解决；仅对抗性 URL 条件没有已知采纳，有一个未解决响应。该试点衡量在给定所提供证据条件下的输出变化，不涉及实时检索或外部行动。总之，该框架和试点将清单内容效应与发布、发现和下游执行区分开来，同时将完整检索和智能体评估留待未来。
| 评论： | 8 页，3 幅图，5 张表。已被 IEEE FLLM 2026 接收。作者接受稿。可复现性工件：此 https URL |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；计算与语言（cs.CL）；数据库（cs.DB）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.38361 [cs.CR] |
| （或 arXiv:2610.38361v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38361 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Kainan Zhou [查看电子邮件]
[v1]
2026 年 10 月 28 日星期三 06:58:07 UTC（481 KB）
来源：arXiv cs.AI · arxiv.org