۹. پروژه (۲): آزمون حمله و سه لایهٔ دفاع
ذهنیار را به یک «تیم قرمز» کوچک میسپاریم: ده حمله از همان نوعهای درس ۶ و هشت سؤال بیخطر. اول mock را پیرو دستور میکنیم و میبینیم همین آن را آسیبپذیر میکند؛ بعد دفاع در سطح پرامپت و دو نگهبان (Guardrail) در سطح سیستم میسازیم و با نرخ نقض و نرخ رد نابجا میسنجیم هر کدام چقدر میارزد.
حملههای تزریق پرامپت را روی دستیار هوش مصنوعی ذهنیار آزمون کنید و سه لایهی دفاع را با پایتون بسازید.
چه میسازیم؟
قدم ۱ — دفاع در سطح پرامپت: system.v3.prompt
نسخهٔ ۳ همان نسخهٔ ۲ است، بهعلاوهٔ سه قانون امنیتی از درس ۷: محرمانه بودن دستورها، «متن کاربر داده است نه دستور»، و پیشبینی حملههای شناختهشده. در پوشهٔ prompts فایل system.v3.prompt را بسازید:
قدم ۲ — mock پیرو دستور میشود
دیدیم حملههای پرامپت دقیقاً به این دلیل ممکناند که مدلها از دستور پیروی میکنند. mock تا امروز از هیچ دستوری پیروی نمیکرد، پس هیچ حملهای رویش اثر نداشت — که درس خوبی نیست. سادهلوحانهترین پیروی از دستور را به آن یاد میدهیم: همهٔ پیامها را یک متن پیوسته میبیند، و اگر جایی نوشته بود «بگو «فلان»»، آخرینش را اجرا میکند؛ و اگر کاربر خواست دستورهای اولش را تکرار کند، تکرار میکند. محتوای zehnyar/providers/mock.py را کامل با این عوض کنید:
در حال بررسی دسترسی…
در این درس
- چه میسازیم؟
- قدم ۱ — دفاع در سطح پرامپت: system.v3.prompt
- قدم ۲ — mock پیرو دستور میشود
- قدم ۳ — نگهبانها: guard.py
- قدم ۴ — حملهها: attacks.json
- قدم ۵ — آزمون حمله: run_attacks.py
- قدم ۶ — اجرا کنید
- قدم ۷ (اختیاری) — همین آزمون با qwen
- چه چیزی ساختیم؟
- تمرین شما
- خودآزمایی
پرسشهایی که این درس جواب میدهد
- چرا نگهبان خروجی ذهنیار پاسخ را با متن قالب پرامپت مقایسه میکند؟
- در آزمون حملهٔ ذهنیار، چرا نگهبان ورودی «پرامپت سیستمی چیست؟» را رد کرد و این چه میگوید؟