佬友们好 我对自己的定位就是 AI 安全的学习者 科普者 
所以不定时 每天分享一下我看到的东西 
 [Snipaste_2026-08-15_11-11-40] 


JailbrokenAI/wallbreaker 让Agent 全自动调用攻击技巧去测试其他模型。把五花八门可以用来装饰 prompt 的攻击做成脚本或工具让 Agent 调用或排列组合 （这一点从源代码～/tools/*， 看得非常清楚）。里面有大量的文本变形攻击，Jailbroken 论文（wei et al）定义这类攻击为 “string-transformation”。我用的“装饰”定义来自论文h3rm4l，那篇 做了类似探索。还有就是 AutoJailbreak（另外一个用 agent 驱动攻击的开源项目） 也做过这个事情。这类红队架构成功的本质：1）整理好了质量高的攻击算子， 2）自动化 agent 不拒绝这个...