Graph 大语言模型（GraphLLM）能够在文本属性图（TAG）上进行语义理解与推理，但其推理过程容易受到节点文本和图结构扰动的攻击。已有攻击方法通常先生成文本扰动，再生成结构扰动，两个阶段分别依据不同的意图进行，这会导致攻击意图碎片化，使得文本与结构的语义不一致，降低隐蔽性并被模型轻易识别，从而削弱攻击效果。为消除意图碎片化，我们提出了图攻击原语（GAP），它是一种原子语义表示，将文本扰动和结构扰动统一在同一攻击意图下。通过精细校准 GAP 的语义组成，可在保持隐蔽性的同时实现强攻击效果。进一步地，我们设计了 S-GAP（Stealthy GAP），一个多智能体框架，能够迭代优化 GAP 的语义内容。该框架将 GAP 的规划与实现统一，并通过代理模型评估和文本反馈不断细化。实验在四个数据集、三种 GraphLLM 和两种攻击设置上进行，结果显示 S-GAP 相比最强基线提升了 7.02% 的攻击成功率（ASR），并生成了更具关系合理性的扰动，揭示了当前 GraphLLM 的关键脆弱性，推动更稳健的防御研究。
点评