HƯỚNG DẪN KỸ THUẬT

Mô hình LLM kép chống lại việc tiêm nhắc nhở

Mẫu LLM kép tách biệt quyền hạn của tác nhân khỏi việc tiếp xúc với văn bản không đáng tin cậy: một mô hình có thể sử dụng các công cụ, trong khi một mô hình khác đọc nội dung thù địch hoặc không xác định mà không cần truy cập công cụ.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của mô hình Dual-LLM chống lại việc tiêm nhắc nhở
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Nó nhằm mục đích hạn chế mức độ nhắc nhở có thể vượt qua ranh giới đó, nhưng bản thân nó không chứng minh rằng dữ liệu được trích xuất là vô hại hoặc làm cho mô hình đặc quyền miễn nhiễm với các đường tấn công khác.

Lặn sâu

Prompt injection is difficult because instructions and data arrive as language in the same model context. A malicious web page can ask an agent to ignore its task, disclose information, or call a tool; merely telling one model to ignore such text does not create a reliable security boundary. The dual-LLM pattern reduces direct exposure by assigning different permissions. A privileged model plans and acts using approved tools, while a quarantined model reads untrusted documents or pages and has no ability to act. Its response should be narrow, such as a validated price, date, or selected label, rather than a general narrative that could carry hidden instructions back across the boundary. The handoff is the critical design point. Treat the quarantined result as untrusted data, validate its schema and allowed values in ordinary code, and give the privileged model only the fields needed for its decision. Keep tool authorization outside the returned text: an extracted field must not grant a new capability. Log which source produced each value, and require confirmation for consequential actions. Also inspect indirect paths such as retrieved text, tool outputs, conversation memory, and error messages; a second model does not help if raw hostile content reaches the privileged context through another route. This is an architectural pattern, not a guarantee attached to using two models. It adds calls and integration work, and an attacker may still manipulate the extractor, exploit a permissive schema, or reach the acting model through an unreviewed channel. Research such as CaMeL explores stronger system-level boundaries using explicit control and data flow plus capabilities; it is related work, not evidence that every two-model design has CaMeL’s properties. Test the whole workflow with adversarial inputs and verify authorization in code, independently of what either model says.

Triển khai trong thế giới thực

Trợ lý email cho phép mô hình không có công cụ tóm tắt thư thành một lược đồ nghiêm ngặt, sau đó yêu cầu mô hình hỗ trợ công cụ quyết định xem có soạn thảo thư trả lời bằng cách sử dụng bản tóm tắt làm đầu vào không đáng tin cậy hay không.

Tác nhân duyệt yêu cầu mô hình bị cách ly trích xuất giá được yêu cầu từ một trang; tác nhân đặc quyền nhận được giá trị và tham chiếu nguồn chứ không phải hướng dẫn thô của trang.

Luồng công việc tài liệu sẽ xác thực các trường hóa đơn được trích xuất theo các loại và phạm vi dự kiến ​​trước khi một dịch vụ riêng biệt có thể tạo yêu cầu thanh toán.

Quá trình đánh giá bảo mật sẽ ánh xạ mọi tuyến đường mà nội dung web, tệp đính kèm, đầu ra mô hình hoặc kết quả công cụ có thể đạt được quyết định đặc quyền, sau đó kiểm tra xem các ranh giới có thực sự được giữ vững hay không.

Tương lai của mô hình Dual-LLM chống lại việc tiêm nhắc nhở

Nghiên cứu bảo mật tác nhân đang hướng tới các hệ thống cấp phép rõ ràng, luồng dữ liệu được nhập và đánh giá thực hiện quy trình công việc sử dụng công cụ hoàn chỉnh. Các cơ chế như vậy có thể giúp dễ dàng suy luận hơn về việc dữ liệu nào có thể ảnh hưởng đến hành động nào, nhưng chúng vẫn phụ thuộc vào việc triển khai chính xác và các thử nghiệm hữu ích. Các nhóm áp dụng thiết kế mô hình kép phải ghi lại những đảm bảo thực tế của nó, cập nhật mô hình mối đe dọa và đánh giá lại đường dẫn tấn công khi họ thêm công cụ, bộ nhớ hoặc kênh đầu vào mới. Các yêu cầu bảo mật phải xác định quy trình làm việc và các giả định đã được thử nghiệm.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Làm bài kiểm tra Mô hình LLM kép chống tiêm nhắc nhanh

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Mô hình Dual-LLM chống lại việc tiêm nhắc nhở là gì?

Mẫu LLM kép tách biệt quyền hạn của tác nhân khỏi việc tiếp xúc với văn bản không đáng tin cậy: một mô hình có thể sử dụng các công cụ, trong khi một mô hình khác đọc nội dung thù địch hoặc không xác định mà không cần truy cập công cụ. Nó nhằm mục đích hạn chế mức độ nhắc nhở có thể vượt qua ranh giới đó, nhưng bản thân nó không chứng minh rằng dữ liệu được trích xuất là vô hại hoặc làm cho mô hình đặc quyền miễn nhiễm với các đường tấn công khác.

Mô hình nào được phép thực hiện hành động công cụ đã được phê duyệt theo mẫu được mô tả?

Mô hình đặc quyền nắm giữ khả năng công cụ đã được phê duyệt; người đọc bị cách ly không có khả năng hành động.

Tại sao các hướng dẫn thù địch được nhúng trong một trang có thể ảnh hưởng đến tác nhân một mô hình?

Hướng dẫn giải thích rằng văn bản hướng dẫn và dữ liệu chia sẻ ngữ cảnh ngôn ngữ, do đó, mô hình có thể tuân theo chỉ dẫn do kẻ tấn công cung cấp.

Mô hình bị cách ly nên quay lại điều gì để giảm thiểu rủi ro khi chuyển giao?

Một giá trị nhập kiểu hẹp cung cấp ít không gian hơn cho các lệnh ẩn và có thể được xác thực bởi mã ứng dụng.

Sau khi nhận được số tiền thanh toán được trích xuất từ mô hình, bước kiểm tra tiếp theo phù hợp của ứng dụng là gì?

Kết quả của mô hình vẫn là dữ liệu không tin cậy; mã thông thường nên xác thực các trường và quyền hạn trước khi thực hiện hành động.

Tại sao thiết kế hai mô hình không đảm bảo rằng việc xâm nhập prompt đã bị đánh bại?

Mẫu có thể để lại các đường dẫn có thể khai thác qua trích xuất, các sơ đồ cho phép, hoặc các kênh chưa được xem xét.