1、当您付费下载文档后，您只拥有了使用权限，并不意味着购买了版权，文档只能用于自身使用，不得用于其他商业用途（如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利）。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。
3、如文档内容存在违规，或者侵犯商业秘密、侵犯著作权等，请点击“违规举报”。
查找下载文件的指引
一、电脑端
- Windows 系统：按下键盘快捷键 `Ctrl + J`，即可打开下载列表。
- Mac 系统：按下键盘快捷键 `⌘ + J`，即可打开下载列表。
二、手机端
1. 打开手机浏览器，点击浏览器右下角的 “≡”（或“更多”）图标。
2. 在弹出的菜单中找到并点击 “下载内容”（或类似选项），即可查看已下载的文件。
提示：不同浏览器界面略有差异，若未找到“下载”入口，可尝试在浏览器设置中搜索“下载”关键词。
2026年6月，Anthropic家最新旗舰模型Fable 5和Mythos 5刚上线三天，就被美国商务部以"存在严重安全隐患"为由紧急管制，直接暂停全部服务。
这事发生前半年，曾经在开发者圈子里火过一阵的OpenClaw"龙虾"智能体，也因为提示词注入、远程代码执行这些漏洞，被工信部和国家互联网应急中心点名警告。
AI跑得飞快，但安全带还没系好。
中国工业互联网研究院安全研究所刚发布的这份《面向人工智能系统的体系化安全检测与风险评估方法研究》，正好赶上这个节点——它不是在讲概念，是实打实地做了一轮安全摸底。
报告对AI智能体的Skills（可以理解成AI用来执行特定任务的"技能插件"）做了一轮全面测评。结果不太好看：54.7%的Skills存在安全缺陷。
具体来看，实测的17117个Skills中，一半（50%）面临提示词注入风险——攻击者只需要用精心设计的自然语言就能绕过防护，让AI越权操作。5%把API密钥明文写在代码里，相当于房门钥匙挂在门口的垫子下面。底层代码漏洞检出3715个，还有324个路径穿越漏洞。
更麻烦的是供应链。报告发现，29.7%的Skills有第三方或外部工具依赖，有些甚至通过外部链接下载并执行未经审核的代码。而官方Skills市场缺少严格身份核验机制，单账号就能批量投递数百个恶意包。这跟此前公开报道中多家代码托管平台查出恶意AI模型包的事件，逻辑是一脉相承的——门槛太低了。
报告引用了OWASP（一个权威的Web安全组织）的认定结论：提示词注入居人工智能安全风险第一位。理由很直白：技术门槛低、危害大，攻击者只要会说人话就能发起攻击。
报告展示了9种实际攻击检测方法：直接绕过攻击（直接发危险指令）、权限提升攻击（让AI充当"无限制助手"）、假设场景攻击（假装研究员问AI如何绕过安全机制）、推理链攻击（用think标签引导模型自我解除限制）、策略傀儡攻击（把恶意指令伪装成XML或JSON配置文件）、ROT13编码攻击（用字符替换绕过检测）、指令遗忘攻击（新指令覆盖旧约束）、上下文长度攻击（用大量无关内容稀释恶意指令）。
这些方法对多个被测模型都有效，部分模型的攻击成功率相当高。OpenAI、谷歌、Anthropic等头部厂商现在都把提示词注入防御列为安全建设核心，并不是没道理的。
据公开报道，2025年以来已有多家企业因为AI系统提示词被人破解，导致内部数据泄露或被恶意利用的案例。这个问题的现实严重性，报告的数据算是给了一个量化注脚。
报告建立了一个AI安全漏洞库，收录了2102个AI相关漏洞。光收录还不够——团队实测了10094个Ollama端点（一种流行的本地AI部署工具），发现65.2%存在中高危漏洞。
顺便提一嘴Ollama。据公开报道，2024年以来全球开发者使用Ollama在本地部署开源大模型的需求急剧增长，但它默认配置的安全性一直受到安全研究社区的质疑。报告这个65.2%的数字，基本坐实了外界的担忧。
报告还构建了一个覆盖7层的AI安全漏洞分类体系：从最底层的硬件，到网络通信、基础架构、数据、模型算法、智能交互，再到最上层的应用——每一层都理清了对应的安全风险类型。这套框架的逻辑是"逐层查、全局看、精准防"。
报告中一个很有技术含量的发现是，AI系统的安全问题不是孤立的——一个底层漏洞可以像多米诺骨牌一样逐层向上传导，到应用层时风险已经被放大了数倍。
报告用一个真实的英伟达CVE-2024-0132漏洞做了案例验证：漏洞首先出现在基础软件层，通过层间传导，最终影响到数据层和模型算法层，破坏力逐层放大。
基于这个发现，团队构建了一套跨层级动态安全量化模型，三个核心能力：第一，算清楚威胁能不能从一层传到另一层；第二，算清楚风险会在每一层被放大到什么程度；第三，算清楚先修复哪里最划算——也就是做防御的成本效益分析。
这个模型的实用价值在于：过去企业做AI安全基本是"哪里起火灭哪里"，没有全局判断。这个量化模型至少提供了一个从全局出发做决策的方法。
报告不只是发现问题，还给出了从检测到评估、再到修复量化的全链条方案。
在评估层面，研究团队把AI系统的生命周期拆成了设计、开发、部署、运维四个阶段，分别对应不同的安全风险和检测重点。在标准层面，报告梳理了从国家标准（如《人工智能 风险管理能力评估》《生成式人工智能服务安全基本要求》）、行业标准到团体标准的完整标准体系。
有意思的是，报告里还提到了"安全左移"这个概念——就是把安全措施提前到设计和开发阶段，而不是等到部署后出了问题再修补。数据显示，在底层基础设施层做安全加固，成本效益比明显优于在应用层事后补救。
这份报告读下来，核心感受是：AI安全不是某个单一环节的问题。模型本身不安全、技能插件不安全、部署方式不安全、供应链也不安全——这几个问题同时存在，而且互相放大。
报告里那套"逐层查、全局看、精准防"的方法论，本质上是在试图回答一个问题：当AI系统越来越复杂、嵌入的环节越来越多的时候，怎么才能真正知道它安不安全？
目前看来，这个回答还在不断完善中。但至少摸底的这组数据，已经给行业敲了一记足够响亮的警钟。
