Tags
PulseAugur coverage of Tags — every cluster mentioning Tags across labs, papers, and developer communities, ranked by signal.
-
代理技能中的隐藏Unicode字符带来安全风险
在代理技能中发现了一个安全漏洞，恶意指令可以利用不可见的Unicode字符隐藏，而模型仍然可以解释这些字符。作者开发的扫描器agent-skill-audit-mcp可以检测到这些隐藏消息、提示注入技术以及其他风险模式，如不受限制的shell访问或凭证泄露。Snyk的ToxicSkills审计此前在36%的公共技能中发现了提示注入，并在76个技能中确认了恶意载荷，凸显了这些安全问题的普遍性。
-
FastMCP schema冲突导致工具验证错误
一位开发人员在使用FastMCP框架时遇到了一个问题，该框架的工具schema错误地将一个字段的默认值列为`null`，同时又将该字段类型指定为非可选字符串。这种矛盾源于Pydantic对带有`None`默认值的裸字符串注解的解释，当尝试显式发送`null`到工具时，会导致验证错误。这个问题影响了不同工具中的多个可选参数，阻止了自定义错误消息的触发，并导致了通用的Pydantic `ToolError`异常。提出的解决方案是将类型注解…
-
新的N2NSC框架对齐文本和拓扑以实现图异常检测
研究人员开发了一个名为N2NSC的新框架，用于解决文本属性图（TAGs）中的异常检测问题。该方法侧重于节点与其邻域之间的语义一致性，认识到异常可能源于文本不匹配或拓扑偏差。N2NSC集成了图神经网络（GNNs）和大型语言模型（LLMs），以有效地捕获结构和语义信息，在八个数据集上表现优于现有的最先进方法。
-
ERAlign 框架在文本属性图上对齐 GNN 和 LLM 的表示
研究人员开发了 ERAlign，一个用于在文本属性图上对齐图神经网络 (GNN) 和大型语言模型 (LLM) 表示的新框架。该方法利用基于能量的模型 (EBM) 将 GNN 编码的图结构和 LLM 派生的文本嵌入投影到共享的潜在空间中，确保分布一致性。该框架引入了能量差异 (ED) 以提高训练效率并减少能量景观失真。在八个数据集上的实证结果表明，ERAlign 在各种监督和跨任务迁移场景中取得了最先进的性能。
-
新的 BOSQ 框架大幅降低图任务的 LLM 成本
研究人员开发了一个名为双层优化稀疏查询（BOSQ）的新框架，以降低使用大型语言模型（LLM）处理文本属性图（TAG）任务的计算和金钱成本。BOSQ 采用自适应稀疏查询策略，智能选择何时调用 LLM，从而避免不必要的查询并显著降低开销。在六个真实世界 TAG 数据集上的实验表明，BOSQ 在运行时速度显著提高的同时，实现了与现有 GraphLLM 方法相当或更好的性能。