GitHub - samuelrojas-dev/agent-cost-bench: 针对工具型 LLM 智能体的可复现钱包耗尽攻击（DoW）基准测试，基于提供商计费 Token/美元进行评分

📌 One-Sentence Summary

agent-cost-bench 是一款旨在通过扫描工具定义中的成本放大模式，在无需 API 密钥的情况下基准测试并保护 LLM 智能体免受钱包耗尽攻击的工具。

📝 Summary

该提供了一个识别 LLM 智能体中可能导致钱包耗尽（DoW）攻击漏洞的框架。它分析工具 Schema 来寻找如无限循环、无限制获取结果或递归输出反馈等会导致成本膨胀的模式。该工具使用模拟提供商离线运行，可以模拟攻击场景而无需 API 密钥也不会产生费用。开发人员证明，“result_cap”是最有效的防御手段，能够在对良性任务仅产生 1.1% 开销的情况下，中和高达 8 倍的成本放大。

💡 Main Points

识别钱包耗尽（DoW）漏洞

该工具扫描工具定义中允许攻击者膨胀成本的模式，例如无限制的结果或工具调用循环。

离线且免费的分析

通过使用模拟提供商并分析 JSON Schema，开发者可以在不使用 API 密钥或花费 Token 费用的情况下测试智能体安全成本风险。

result_cap 防御的有效性

测试表明，对工具结果实施限制是主要的防御措施，能够在对正常操作性能/成本影响极小的情况下，阻止 8 倍的成本增加。

CI/CD 集成

该工具包含 Way Action，如果拉取请求引入了高风险的成本放大模式，它可以导致构建失败。

💬 Key Quotes

攻击者是否能让你的 LLM 智能体产生自己的账单？

扫描你的工具并找出答案——离线操作，无需 API 密钥。

扫描告诉你哪些模式是有风险的；基准测试则是如何衡量这些的。

未发现问题并不代表安全；扫描只检查已知的模式。

📊 Article Meta

AI Screening： 86

Source： Hacker News - Newest: "LLM"

Author： sarojas123

Category： 人工智能

Language： 英文

Read Time： 13 min

Word Count： 3062

Tags：

AI 与智能应用 , AI Agent , 开源项目 , 大语言模型 (LLM) , AI 安全与对齐