LLM 驱动的多智能体交易系统让专职智能体通过结构化对话协同生成交易决策，正从研究原型快速向真实资产控制部署转变。正是这种跨智能体的通信提升了系统效能，却也成为攻击面，被篡改的信号会在信息流中传播，最终导致实际的金融损失。
本文不假设攻击者能够直接访问系统内部，而是将威胁模型限制在实际可达的输入层面，即智能体读取的源数据和提示词。这样得到的低门槛、易于大众化的攻击被称为角色特定对手（role‑specific adversary）。
我们首次在金融领域系统性地实验，揭示对抗信号如何进入多智能体交易系统并在决策链中存活的路径。沿角色维度，我们将常见的交易流水线拆解为分析师、研究员、交易员和风险管理四个功能角色，并为每个角色匹配对应的攻击方式。沿结构维度，我们在数据层和智能体层分别施加攻击，评估四种通信拓扑的鲁棒性，并引入对抗信号保留得分（Adversarial Signal Preservation Score，APS）作为事后分析工具，解释为何某些设计更具抗扰性。
实验覆盖五类资产、两种底层模型和两个目标方向。核心发现是没有任何架构天生具备鲁棒性，所有设计在特定攻击下均会出现显著的信号保留。该结论为未来构建更安全、更稳健的自主交易系统提供了重要参考。
博主点评：本文通过细致的角色划分和拓扑比较，提供了实用的安全评估框架，提醒研发者在系统设计时必须同步考虑通信结构和输入防护。