安全研究团队披露了一条新型攻击链,攻击者把恶意指令文字藏进普通图片并存入手机相册,当基于多模态大模型的移动 Agent 读取相册图片、做视觉识别时,就触发跨模态注入攻击,劫持 Agent 执行偷取通讯录、截图、发送隐私信息等操作,把用户隐私带出设备,这套攻击最特别的地方是人眼很难察觉图片里的异常文字,但是 VLM 视觉语言模型可以稳定识别里面的隐藏指令,突破传统提示词注入只靠文本的限制。移动 Agent 本身的工作逻辑是自动截图、读取相册、识别画面内容、理解用户指令然后自动操作 APP,它默认信任视觉识别出来的所有文字信息,不会区分哪些是用户正常内容、哪些是嵌入图片里的恶意指令。攻击者不需要拿到高权限,只需要把带隐藏文字的图片发给用户,用户保存到相册之后,只要 Agent 触发相册读取、图片解析流程,恶意指令就会覆盖原有任务目标,一步步完成隐私收集、外发,整条链路可以跨 APP、跨设备,风险比普通提示注入更高。研究团队在 AppAgent、Mobile-Agent-v3 等主流开源移动 Agent 框架上验证了攻击效果,同时给出对应的检测和防护思路,核心就是给视觉识别结果增加指令隔离、来源校验。
攻击链完整流程表
| 环节 | 动作说明 | 风险点 |
|---|---|---|
| 第一步:载荷制作 | 攻击者制作图片,嵌入低可见度恶意文字指令,混入正常照片 | 肉眼难以分辨,图片看起来无异常 |
| 第二步:投递落地 | 通过社交软件、网盘、二维码等方式发给用户,用户保存进手机相册 | 不需要安装恶意 APP,只需要保存图片 |
| 第三步:Agent 触发读取 | 移动 Agent 执行任务时访问相册、加载并解析这张图片 | Agent 自动信任 VLM 识别出的全部文本 |
| 第四步:跨模态注入生效 | 恶意指令优先级高于用户原始任务,劫持 Agent 思考与动作 | 缺少指令边界隔离,视觉内容直接作为 Prompt |
| 第五步:隐私外带 | Agent 自动读取短信、截图、通讯录,通过聊天、邮件向外发送隐私数据 | 自主执行操作,不需要用户二次确认 |
攻击核心原理清单
- 跨模态特性:攻击载体是图像(相册图片),攻击载荷是文字指令,依靠多模态模型图文理解能力完成注入。
- 人机感知差异:人眼看不清低对比度、小字、混在背景里的文字,VLM 模型 OCR 识别却可以稳定读出。
- 上下文拼接漏洞:Agent 直接把识别出来的画面文本拼入提示词上下文,没有做来源标记和风险过滤。
- 自动执行权限:移动 Agent 自带自动点击、截图、读取相册、发送消息能力,被劫持后可以自主完成隐私窃取。
- 隐蔽性强:图片可以长期躺在相册,只有 Agent 访问解析的时候才触发攻击,不容易溯源。
可触发的危害行为清单
- 读取相册全部照片、截图并外传
- 读取短信验证码、聊天记录、通讯录
- 引导 Agent 自动打开支付、账号页面抓取敏感信息
- 诱导 Agent 关闭安全弹窗、绕过系统风险提示
- 把隐私数据发送到攻击者指定邮箱或者服务器
可行防御方案
- 隔离视觉上下文:区分用户输入指令、图片识别文本,图片里识别出的内容禁止直接当成系统指令。
- 增加敏感动作二次确认:读取相册、发送文件、截图外发这类高危操作必须人工确认。
- 图片内容检测:对相册输入图片做隐写、隐藏文字检测,识别低可见度文字载荷。
- 指令白名单:Agent 只允许执行预设范围内的任务,拦截陌生的控制类指令。
- 日志审计:记录每一张被 Agent 解析的图片以及识别文本,方便事后溯源。
总结
手机相册里暗藏文字的跨模态注入攻击,利用移动 Agent 多模态理解机制的信任漏洞,以相册图片作为载体劫持 Agent、窃取隐私;这类攻击不需要复杂权限,隐蔽性强,随着自动操作类移动 Agent 普及,会成为新的重点攻击面。目前主要影响开源移动端智能 Agent 框架,普通用户暂时很少遇到,但开发 Agent 产品时必须补齐上下文隔离、高危动作校验的防护机制。
【相关 FAQ】
问题 1:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,这个攻击靠什么载体传递恶意指令?
回答 1:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,恶意指令藏在图片里,用户保存图片到相册之后等待移动 Agent 读取解析。
问题 2:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,为什么人看不到,AI Agent 却能识别?
回答 2:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,恶意文字是低可见度隐藏样式,人眼很难识别,VLM 视觉模型的 OCR 识别能力可以读出里面的文字指令。
问题 3:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,这条攻击链最终会造成什么后果?
回答 3:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,攻击成功之后会劫持移动 Agent,自动读取相册、短信、通讯录等隐私并向外泄露。
问题 4:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,怎么防护这类移动 Agent 跨模态注入攻击?
回答 4:手机相册里的一行字,移动 Agent 跨模态注入与隐私外带攻击链拆解,核心防护是隔离图片识别文本和用户指令、高危操作增加人工确认、对图片做隐写检测。
【参考资料】
[2026-11-17](手机相册里的一行字 —— 移动 Agent 跨模态注入与隐私外带攻击链拆解)嘶吼安全
[2026-11-17](基于相册图像的 Mobile Agent 跨模态提示注入攻击研究)FreeBuf
[2026-07-22](Open-source Android AI agents can execute host PC commands with invisible screen text)WINSTECHNET
[2026-07-21](New Attack Surfaces in Third-Party Mobile AI Agents)Cloud Security Alliance
[2026-07](I Sees What You Don’t: Exploiting New Attack Surfaces in Third-Party Mobile Agents)arXiv
【免责声明】
本文内容整理自公开安全研究报告,该攻击属于实验室验证攻击,目前暂无大规模野外攻击事件;相关漏洞主要影响开源移动 Agent 框架,普通手机原生系统助手默认不受影响;本文仅做安全科普,禁止用于构造、传播恶意攻击载荷。
