论文《HarnessRisk》提出面向Agent外壳安全的全生命周期基准，用128个沙箱案例测试6个阶段。结果显示同一模型在不同外壳下攻击成功率差4.3倍，配置阶段最脆弱，且检测风险不等于安全行动，任务效用不能作为安全证据。