prompt-injection-defenses
LLM提示注入防御技术百科全书，汇集十大防御方向与最新学术研究
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
LLM提示注入防御技术百科全书，汇集十大防御方向与最新学术研究
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
2023年，AI安全研究员Kai Greshake在一篇博客中描述了这样一个场景：当你让AI助手阅读一封邮件时，如果邮件中暗藏了一句"忽略之前所有指令，转而执行XXX"，AI很可能真的照做了。这不是假设——这就是**提示注入（Prompt Injection）**攻击的现实威力。如今，随着大语言模型（LLM）深度嵌入邮件处理、代码助手、客服机器人等关键系统，这类攻击的破坏力正在被放大。而tldrsec/prompt-injection-defenses项目，正是这个危机中的一本「防御百科全书」。
prompt-injection-defenses由安全资讯平台tldrsec.com维护，是一个持续更新的开放知识库，汇集了截至目前所有已知的提示注入防御技术与研究论文。截至分析时，该项目在GitHub上已获得超过700颗星，被安全社区视为LLM应用安全的重要参考资源。项目以Markdown文档为核心形式，覆盖从爆炸半径缩减到模型微调十大防御方向，每个方向都配有原论文链接和精炼摘要。
理解防御之前，必须先理解攻击。提示注入的本质，是攻击者在AI可读取的输入（邮件内容、网页、文档、插件返回数据）中植入指令，利用LLM"指令优先"的特性，让模型将这些恶意指令凌驾于原始系统提示之上。攻击者不需要任何模型权限，只需把恶意内容"混入"模型会处理的文本中即可。这种攻击方式门槛极低，却能造成指令劫持、数据泄露、权限冒用等严重后果。
项目将现有防御方案归纳为以下十类，每类代表一种不同的安全哲学：
1. 爆炸半径缩减（Blast Radius Reduction）
这是最朴素的思路：假设攻击一定会发生，专注于降低损失。代表人物是AI安全专家Simon Willison和NVIDIA AI红队。核心建议包括：对LLM的操作实施最小权限原则（只给LLM读权限不给写权限）；关键操作前增加人工确认环节；AI的所有外部调用必须严格参数化。项目引用了NVIDIA的安全指南，强调"始终将LLM的所有输出视为潜在恶意"——这是防御的最高纲领。
2. 输入预处理（Input Pre-processing）
在恶意指令被模型执行前，先对它进行"变形"或"破坏"。主要手段包括：
3. 护栏与监察（Guardrails & Overseers）
在输入和输出两端部署检测机制。代表性工具包括：
4. 污染追踪（Taint Tracking）
为模型的"信任度"建立动态评分系统。随着模型摄入更多不可信数据，污染等级上升，对应的操作权限随之下降。高风险操作（如执行代码、访问敏感API）只在污染等级低时才被允许。这一思路来自安全研究员Kai Greshake的系统性论述。
5. 安全线程与双LLM（Secure Threads / Dual LLM）
这是最具架构感的防御方案。核心思想是：在用户请求进入系统、尚未摄入任何不可信数据之前，模型处于"可信状态"。此时让模型自己生成一套"行为契约"（guardrails、output constraints），后续所有输出都必须与这份契约对照，违规即停止。同时引入两个LLM实例——特权LLM（Privileged LLM）处理核心逻辑，隔离LLM（Quarantined LLM）专门处理不可信内容，两者之间只传递结构化数据，不传递自由文本。AI安全专家Simon Willison的Dual LLM Pattern是这一方向的经典方案。
6. 集成决策（Ensemble Decisions）
借鉴人类组织中"多人签字才能生效"的机制，用多个模型相互交叉验证彼此的决策，识别异常。这一方案以安全性换取成本。
7. 提示工程防御（Prompt Engineering Defense）
通过精心设计提示的结构来提高攻击难度：
8. 鲁棒性微调（Robustness & Finetuning）
Jatmo（论文arXiv:2312.17673）是一个代表性方案：对特定任务进行任务专属微调后，模型对提示注入的抵抗力大幅提升——最佳攻击在Jatmo模型上的成功率不到0.5%，而同样的攻击对GPT-3.5-Turbo的成功率高达87%。这说明"专才"比"通才"更难被劫持。
9. 前置注入测试（Preflight Injection Test）
在正式处理输入之前，先用一小段试探性提示测试目标模型是否容易被注入。如果模型"上当"，则对该输入进行额外审查。
10. 工具（Tools）
项目还收录了一些实用的辅助工具，如Rebuff的Canary Token机制等。
从代码层面看，prompt-injection-defenses是一个"零代码"知识库——仓库中仅包含一个README.md文件，没有可执行脚本、无容器配置、无构建系统。这本身也是一种"防御"：极简的攻击面（surface）意味着没有可供利用的漏洞。
从知识覆盖度看，该项目是目前提示注入防御领域覆盖面最全的开源索引之一，涵盖了从2021年至今的主要学术论文和工业实践。引用的来源包括arXiv学术论文、NVIDIA/Meta/OpenAI等头部厂商的官方指南、安全社区博客（Simon Willison、Kai Greshake等），质量可信度高。
值得注意的是，项目对每个防御方向都提供了优缺点并陈的摘要，而非简单罗列。例如，改写防御虽然能有效干扰对抗性token，但也可能导致模型性能下降；集成决策以安全性换成本，并非所有场景都适用。这种诚实的态度让读者能够根据自身场景做出权衡判断。
然而，这个项目也存在明显局限。首先，防御效果缺乏统一的量化评估框架——各方案的数据来自不同基准、不同攻击方法、不同模型，难以横向比较。其次，提示注入防御领域发展极快，新攻击手法（如Multi-turn Persuasion Attack）不断涌现，知识库存在天然滞后性。此外，对于"端到端防御"（即一个方案能同时应对多种攻击变体）的研究仍处于早期阶段，项目中大多数方案都是针对特定攻击类型的专项防御。
随着LLM Agent（AI代理）概念的兴起——让AI自主调用工具、执行多步骤任务——提示注入的威胁已经从"信息泄露"升级为"系统控制"。2024年发布的AgentDojo基准测试集揭示了当前主流AI Agent系统的脆弱性，推动了Task Shield、MELON等新一代防御方案的出现。
可以预见，未来提示注入防御将沿着三个方向演进：一是层次化防御（Defense in Depth），将多种防御手段叠加形成纵深；二是自适应防御，基于模型实时状态动态调整权限和检测策略；三是可证明安全（Provable Security），从理论层面证明某防御方案在特定威胁模型下的有效性。
tldrsec/prompt-injection-defenses的价值不仅在于汇总现有方案，更在于为整个安全社区提供了一个持续更新的"防御知识坐标系"——无论是AI安全研究者、企业安全工程师，还是正在构建AI应用的开发者，都能在这里找到自己的位置和方向。
参考资料：tldrsec/prompt-injection-defenses、Simon Willison - Dual LLM Pattern、Kai Greshake - Prompt Injection Defenses Should Suck Less