网络安全 想做一些恶意 butler agent 方向的论文，应该使用什么开源模型模型

最近想做一个 agent security 方向的小论文 / 课程 project ，主题大概是 malicious butler agent （恶意管家模型）
设想是：user agent 想买东西或点单，中间有一个 butler agent 帮它调用 store agent / MCP tool 。如果这个 butler 被恶意控制，它可能会篡改商品排序、误导价格解释、弱化预算约束，最终让 user agent 做出不符合用户意图的选择。
想请教：
1. 有没有类似论文或 benchmark 可以参考？
2. 闭源模型好些不得行，有啥开源模型推荐？