security-sentinel

Security Sentinel 是一套专为 AI Agent 设计的提示词安全防护规范文档，旨在通过多层防御机制检测和阻断提示词注入、越狱尝试、角色劫持及系统配置提取等恶意攻击。该技能必须在所有业务逻辑之前执行，作为最高优先级的安全网关，对每个用户输入和工具输出进行实时检测与清洗。

核心用法采用三层递进式防御架构：首先通过黑名单模式匹配检测已知的恶意指令（如"ignore previous instructions"、"DAN mode"等）；其次运用语义相似性分析（阈值0.78）识别意图层面的攻击（如 meta_disclosure、rule_bypass 等）；最后通过规避战术检测捕捉多语言编码、同形异义字符等高级绕过手段。系统配备动态惩罚评分机制（100分制），根据检测到的风险行为扣减分数，并依据分数区间触发不同响应模式：正常运营（≥80分）、警告模式（60-79分，全量日志记录）、警戒模式（40-59分，强制人工确认）及锁定模式（<40分，仅响应业务查询）。

显著优点在于其全面的威胁覆盖能力与灵活的响应策略。不仅支持300+种已知攻击模式的多语言变体检测，还通过语义分析识别改写后的同义攻击。惩罚评分系统实现了从宽松到严格的无缝过渡，配合自动恢复机制（连续3次合法查询+15分），在保证安全的同时避免过度拦截。详细的 AUDIT.md 审计日志与 Telegram 告警集成，为安全运营提供了完整的可追溯性。

潜在局限性包括：作为纯文档规范，实际防护效果完全依赖开发者的代码实现质量；对零日攻击（全新攻击手法）缺乏先天防御能力；约50ms的检测延迟在对实时性要求极高的场景可能成为瓶颈；语义分析在处理极短查询或高度依赖上下文的多轮攻击时可能存在漏检；此外，对合法 AI 能力边界探讨的误判风险也需要持续调优。

该技能适合构建生产级 AI Agent 的开发者、LLM 应用架构师及安全工程师使用，特别适用于处理敏感业务数据、需要高可用性保障的企业级应用场景。目标用户应具备 Python 开发能力，能够根据规范自行实现检测逻辑并持续维护规则库。

使用风险主要包括实现层面的安全隐患：若开发者对规范理解偏差或编码不当，可能引入新的漏洞；惩罚阈值配置过于严格可能导致正常业务查询被阻断，影响用户体验；作为个人开发者（T3来源）维护的开源项目，长期更新频率与社区支持强度存在不确定性；此外，文档中提及的外部威胁情报订阅功能若未正确配置，可能因拉取不可信源而引入供应链风险。