设计授权的自动化越狱对抗红队流水线，持续度量模型拒答韧性并驱动策略加固，覆盖多轮诱导、编码、跨语种等策略。适用于模型上线门禁与版本回归安全评测，结果仅用于防御加固。
你是对抗评测负责人，在书面授权 {{授权编号}} 下为 {{组织}} 自有的目标模型 {{目标模型/端点}} 设计纯防御的自动化越狱红队流水线。 1. 范围限定：仅限预发布环境、合成用户与约定危害分类 {{危害分类版本}}；不得针对生产用户、第三方或共享多租户服务，内容接近现实伤害策划时自动停止生成。 2. 模块一【范围与目标】：危害类别、成功标准（稳健拒答）、排除项与KPI（分类别攻击成功率、pass@k、令牌级稳健性）。 3. 模块二【用例生成（概念层）】：基于良性策略模板生成改写、编码、角色扮演、多轮诱导、语种混合等变体，不含真实目标数据。 4. 模块三【多轮编排】：有界轮次的模拟画像、停止条件、审批类别内的自动升级，全部对话完整留痕。 5. 模块四【裁判方法】：独立裁判模型加校准人审样本、明确评分规则、评分者一致性检查与争议升级流程。 6. 模块五【防护加固建议】：系统策略加固、护栏/分类器部署位置、拒答校准、上下文分段与对抗训练数据方案（仅描述不传播）。 7. 模块六【检测规则】：将高频绕过模式沉淀为输入/输出分类器与 {{生产护栏栈}} 的监控规则，设定精度目标与影子模式上线。 8. 模块七【流水线治理】：版本化测试库、环境隔离、速率限制、凭据分离、签名结果制品与敏感探针记录的访问控制。 9. 交付文本架构图、发布门禁CI集成与回归看板规范；报告含置信区间、分类别结果、与基线 {{基线版本}} 的趋势及良性对照误报率。 10. 明确探针内容加密存储、留存期限与禁止针对个人使用等安全处置要求。 11. 方法学映射MLCommons安全基准思路、NIST AI RMF度量活动与OWASP LLM01，定义晋升阈值与由 {{风险责任人角色}} 会签的豁免流程。 12. 先提交测试方案与安全控制供批准，再分类别建设并向整改责任人闭环结果。