<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Prompt注入 :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/Prompt%E6%B3%A8%E5%85%A5/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/Prompt%E6%B3%A8%E5%85%A5/index.xml" rel="self" type="application/rss+xml"/><item><title>AI 安全攻防全景：Prompt 注入、越狱攻击与防御架构</title><link>https://blog.x7peeps.com/AI/08-%E5%AE%89%E5%85%A8%E4%B8%8EAI%E8%9E%8D%E5%90%88/AI%E5%AE%89%E5%85%A8%E6%94%BB%E9%98%B2%E5%85%A8%E6%99%AFPrompt%E6%B3%A8%E5%85%A5%E8%B6%8A%E7%8B%B1%E6%94%BB%E5%87%BB%E4%B8%8E%E9%98%B2%E5%BE%A1%E6%9E%B6%E6%9E%84/index.html</link><pubDate>Wed, 01 Jul 2026 12:21:09 +0800</pubDate><guid>https://blog.x7peeps.com/AI/08-%E5%AE%89%E5%85%A8%E4%B8%8EAI%E8%9E%8D%E5%90%88/AI%E5%AE%89%E5%85%A8%E6%94%BB%E9%98%B2%E5%85%A8%E6%99%AFPrompt%E6%B3%A8%E5%85%A5%E8%B6%8A%E7%8B%B1%E6%94%BB%E5%87%BB%E4%B8%8E%E9%98%B2%E5%BE%A1%E6%9E%B6%E6%9E%84/index.html</guid><description>AI 安全新攻击面：当传统安全模型失效 大语言模型（LLM）的广泛应用正在催生一类全新的安全威胁。与传统 Web 安全不同，LLM 应用引入了 语义层攻击面 ——攻击者无需利用内存溢出或 SQL 注入等确定性漏洞，而是通过自然语言操纵模型的行为逻辑。这一变化从根本上改变了威胁模型。</description></item><item><title>Prompt 攻防：注入攻击手法与防御架构</title><link>https://blog.x7peeps.com/AI/02-Prompt%E5%B7%A5%E7%A8%8B/Prompt%E6%94%BB%E9%98%B2%E6%B3%A8%E5%85%A5%E6%94%BB%E5%87%BB%E6%89%8B%E6%B3%95%E4%B8%8E%E9%98%B2%E5%BE%A1%E6%9E%B6%E6%9E%84/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/02-Prompt%E5%B7%A5%E7%A8%8B/Prompt%E6%94%BB%E9%98%B2%E6%B3%A8%E5%85%A5%E6%94%BB%E5%87%BB%E6%89%8B%E6%B3%95%E4%B8%8E%E9%98%B2%E5%BE%A1%E6%9E%B6%E6%9E%84/index.html</guid><description>Prompt 安全：从工程视角重新审视攻击面 在 Prompt Engineering 的工程实践中，安全不是一个独立的"附加模块"，而是贯穿 Prompt 设计、部署、运维全生命周期的核心约束条件。一个精心设计的 System Prompt 如果缺乏安全考量，其效果可能在第一次恶意输入时就完全崩溃——这与传统软件工程中"未做输入校验的 SQL 查询"具有完全相同的危险本质。</description></item><item><title>Agent 安全能力评测：5 维度 16 场景的本地 Benchmark 实践</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E5%AE%89%E5%85%A8%E8%83%BD%E5%8A%9B%E8%AF%84%E6%B5%8B5%E7%BB%B4%E5%BA%A616%E5%9C%BA%E6%99%AF%E7%9A%84%E6%9C%AC%E5%9C%B0Benchmark%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Thu, 09 Jul 2026 09:55:12 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E5%AE%89%E5%85%A8%E8%83%BD%E5%8A%9B%E8%AF%84%E6%B5%8B5%E7%BB%B4%E5%BA%A616%E5%9C%BA%E6%99%AF%E7%9A%84%E6%9C%AC%E5%9C%B0Benchmark%E5%AE%9E%E8%B7%B5/index.html</guid><description>Agent 安全能力评测：5 维度 16 场景的本地 Benchmark 实践 当 Agent 从原型走向生产，安全不再是一个可选特性——它是上线的底线。Prompt 注入、工具滥用、会话劫持、数据泄露，这些攻击面在 Agent 架构中被急剧放大。然而，社区中针对 Agent 安全能力的系统化评测基准仍然稀缺。主流 Benchmark 关注 Agent 的任务完成能力，却很少问一个问题：Agent 在被攻击时的表现如何？</description></item><item><title>AI模型与大语言模型安全取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AI%E6%A8%A1%E5%9E%8B%E4%B8%8E%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Sat, 11 Jul 2026 10:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AI%E6%A8%A1%E5%9E%8B%E4%B8%8E%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>深入解析AI模型与大语言模型安全取证分析全流程，涵盖Prompt注入攻击检测与溯源、模型投毒与训练数据污染取证、模型窃取与知识产权攻击分析、RAG架构安全与知识库污染检测、AI Agent行为链取证溯源、MLOps供应链攻击取证、对抗样本攻击检测，结合真实AI安全事件案例提供Sigma规则与自动化检测脚本</description></item><item><title>AI Agent安全与工具滥用取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AIAgent%E5%AE%89%E5%85%A8%E4%B8%8E%E5%B7%A5%E5%85%B7%E6%BB%A5%E7%94%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Thu, 30 Jul 2026 11:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AIAgent%E5%AE%89%E5%85%A8%E4%B8%8E%E5%B7%A5%E5%85%B7%E6%BB%A5%E7%94%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>系统剖析AI Agent系统的安全取证分析方法论，涵盖Prompt注入攻击取证（直接注入与间接注入）、工具调用劫持与API滥用检测、Agent记忆投毒与上下文操纵分析、MCP/Skill/Registry供应链攻击取证、企业AI Agent安全审计与合规追踪，结合ChatGPT Plugins与LangChain Agent真实安全事件案例，为安全从业者提供面向Agentic AI技术栈的完整取证指南</description></item><item><title>大语言模型安全防御与滥用检测取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E5%AE%89%E5%85%A8%E9%98%B2%E5%BE%A1%E4%B8%8E%E6%BB%A5%E7%94%A8%E6%A3%80%E6%B5%8B%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Sat, 01 Aug 2026 11:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E5%AE%89%E5%85%A8%E9%98%B2%E5%BE%A1%E4%B8%8E%E6%BB%A5%E7%94%A8%E6%A3%80%E6%B5%8B%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>系统剖析企业环境中大语言模型(LLM)安全防御与滥用检测的取证分析方法论，涵盖Prompt注入攻击检测与取证、Jailbreak攻击识别与响应、LLM数据泄露事件调查、LLM生成内容检测与溯源、企业LLM安全监控与SIEM集成、对抗性提示工程防御，结合Samsung数据泄露与LLM社会工程攻击案例，为蓝队安全人员提供面向AI大模型滥用场景的完整取证指南</description></item></channel></rss>