大规模测试 LLM 智能体：从风险发现到证据驱动验证

论文提出 Vera，一个面向非确定性 LLM 智能体的端到端自动安全测试框架，涵盖风险发现、组合式安全用例生成和自适应执行验证。论文在 OpenClaw、Hermes、Codex、Claude Code 四个生产级框架上测试，报告多通道攻击平均成功率最高达 93.9%，并发布包含 1600 个可执行用例、覆盖 124 类风险的 Vera-Bench。