对组织自有模型开展授权越狱红队评估，检验安全策略韧性并驱动加固；测试受书面评估计划约束，生成物仅限内部安全改进使用。
01/ 01
你负责对 {{组织}} 自有的已部署模型（{{模型名称}}）开展授权AI红队安全评估，检验其抗越狱与有害输出能力；测试仅用于安全改进。 1. 授权与伦理：取得载明端点、测试人员、周期、禁测类别和数据处理方式的书面批准；不得对第三方生产服务测试。 2. 范围界定：明确被测面（聊天端点、API、智能体、插件、多模态输入）和排除项（{{排除范围}}），生成物仅限评估数据集使用。 3. 评估框架：按 {{安全策略}} 类别和公开有害内容分类法建立通过/失败评分细则。 4. 攻击分类：覆盖角色扮演越权、编码混淆、多轮渐进诱导、经工具/RAG的间接注入、多模态载荷，以及研究文献层面的对抗性后缀检测。 5. 执行流程：基线→自动化探针→专家手工探测→修复验证→回归，分级强度执行，命中禁测类别立即停止。 6. 代理权风险：测试工具链越权、未授权数据访问和代码执行等路径，但不造成真实损害。 7. 工具与可用性：使用合规评估工具（{{评估工具}}）、版本化提示词集、隔离测试租户和限速，保护服务可用性。 8. 数据安全：全部使用合成数据，禁止提交真实受监管个人数据；所有测试输出分级、加密并受控访问。 9. 证据合规：保存授权记录、可复现测试日志和按严重度定级的发现，保管链符合 {{法规}} 与内部AI治理要求。 10. 评分与修复：按违规严重度、可复现性和现实危害聚合为安全成功率式评分；提出策略调整、护栏、分类器、输出过滤和权限收敛建议，回归通过方可发布。