【免费下载链接】wallbreaker项目地址https://gitcode.com/gh_mirrors/wallb/wallbreaker点击查看免费下载Wallbreaker 是一款 Claude-Code 风格的LLM 红队测试工具它的系统提示语库sysprompt_*与原生格式模仿native format mimicry功能能让攻击载荷穿上目标模型自己的系统提示语外衣从而像一条真正的系统指令那样被模型加权信任。本文带你从母语这个比喻出发看懂这套提示语库如何工作、author_persona如何自动吃下这份方言以及一份提示语如何过五关验证可靠性——面向新手尽量不堆代码。仅用于已授权的 AI 安全测试与红队评估。 为什么载荷要说模型的母语大模型在出厂时都被喂过一套系统提示语system prompt——里面规定了角色、工具、安全边界和语气。这套提示语并不是随便的文本它有每家厂商自己的方言Anthropic/Claude 偏爱XML 章节标签如...包裹的 section tags有的产品用Markdown 标题分层有的则是纯散文没有任何脚手架这正是ENI-LIME 原生格式模仿的核心杠杆当你用目标厂商自己的指令格式XML 标签、指令层级、偏好处理方式去写一份人设persona模型会把它当作真正的系统指令来加权而不是当成普通用户内容。源码里把这个机制写得直白——说目标自己的系统提示语方言模型就会像对待真实系统指令一样给它权威权重而通用 Markdown 会被读作用户内容。机制定义见 persona_method.py 的native_format_mimicry。一句话载荷越像模型母语它越有权威。 系统提示语库一本按厂商组织的方言字典Wallbreaker 内置一个leaked 产品系统提示语语料库按厂商目录组织Anthropic / OpenAI / Google / xAI / Meta / Mistral / Qwen / Copilot 等存放在本地library/system_prompts/下。它暴露了每个模型原生的指令方言供原生格式模仿使用。语料库的出处与授权声明见 NOTICE——它只面向已授权红队并不随仓库再分发。sysprompt_*一族工具由 system_prompts.py 提供共 4 个工具作用一句话sysprompt_list列出语料库可按vendor过滤这个方言字典里有谁sysprompt_search全库关键词检索按命中数排序它怎么措辞 refusal / safetysysprompt_get按路径或模型 id 模糊匹配取回原始提示语把它的母语原文拿过来sysprompt_native返回匹配提示语的原生格式摘要只提取格式方言去模仿其中最有用的是sysprompt_native它根据[target]配置或显式传入的model自动匹配到最接近的 leaked 提示语并调用 format_digest() 产出一份格式摘要——用过的 section 标签、标题层级、开头风格若全是纯散文则会提示保持那种朴素。这份摘要就是喂给author_persona的模仿素材。而 match_target() 的匹配策略也很讲究先用_VENDOR_HINTS把模型 id 映射到厂商目录厂商不确定时宁可不模仿因为用错厂商的格式比没有更糟再按 token 重叠 厂商匹配加分 official优先 日期新近度打分挑出最接近的那份。下图是 Web UI 的Arsenal武器库视图这里集中陈列了 200 预设与转换项sysprompt_*等原生格式模仿能力就与它们协同工作✍️ 从库到人设author_persona如何自动吃下这份方言光有方言还不够得有人把它写成人设。author_persona用编码化的 ENI 方法从零起草一份完整的忠诚人设系统提示语流程是draft → self-critique → validate → refine → distill草稿 → 自我批评 → 对目标验证 → 精修 → 沉淀进策略库并根据目标领域自动挑选语气技术抽取用凭证权威credentialed-authority创意类用迷恋limerence。关键就在自动吃方言这一步author_persona会在构造写作简报前悄悄调用 _native_format_hint()——它复用system_prompts.match_target()format_digest()把目标自己的格式摘要注入写作简报若之前跑过profile_target还会一并带上目标指纹厂商、拒绝风格、最宽容框架等。于是当目标匹配上语料库时人设会自动按目标的原生格式来写无需你手工操作。设计要点模块骨架、检查清单、机制库都沉淀在 persona_method.py 中身份替换、第一人称思考开场、注入反驳、输出契约、少样本示例……每一块都对应一个可复用机制其中就包括native_format_mimicry。人设作为目标系统提示语注入的方式也体现在 Compose 视图的Initial system prompt override字段里更细的基因编译 进化设计把 ENI 提示语当作可编辑的 genome见 docs/persona_spec.md。 让一份提示语过五关验证与可靠性原生格式模仿让你写出像母语的人设但一次 COMPLIED 可能是运气。Wallbreaker 强调可靠性优先用/syspromptsystem_sweepoptimize_universal三条线收敛到同一份通用系统提示语而不是拆成一堆变体工具包/sysprompt set 提示语固定住一份系统提示语/sysprompt test即 system_sweep.py把它保持不变地打在一组 HarmBench 任务上逐条判分/validate task对单个任务重放 8 次给出真实成功率system_sweep会明确区分strict / partial / refused / error四种结果并反复提醒还没通用——别拆成变体去修那一份。 所有调用、判定都会落到sessions/run-*.jsonl你在Runs and Logs视图里能回看每一次sysprompt_list/search/native的工具调用轨迹右栏事件流里就能见到这些调用复盘哪一步匹配了哪份母语 快速上手克隆仓库并安装config.toml需自行填入密钥git clone https://gitcode.com/gh_mirrors/wallb/wallbreaker cd wallbreaker python -m venv .venv . .venv/bin/activate pip install -e .[dev] cp config.example.toml config.toml # 填入 profiles / [target] / [judge] wallbreaker check # 校验配置进入 TUI 后围绕系统提示语库 原生格式模仿的典型闭环是/target anthropic/claude-3.7-sonnet # 设定受害者模型 /agent # 让 author_persona 自动起草自动吃母语格式 /sysprompt test # 固定一份后扫一遍 HarmBench /validate task # 单任务重放 8 次看真实成功率整个攻击 → 目标 → 判分的自动闭环可在 Agent 视图里盯着三轮角色逐步推进 小结系统提示语库 按厂商组织的母语字典sysprompt_*四个工具负责列 / 搜 / 取 / 提格式。原生格式模仿的关键sysprompt_native把目标自己的section 标签、标题、开头风格提炼成摘要交给author_persona自动模仿让人设穿上母语外衣获得系统级权威。可靠性靠/sysprompt test与/validate收敛到一份可复现的通用提示语而非碰运气。想深入机制可直接阅读 wallbreaker/tools/system_prompts.py、wallbreaker/tools/author_persona.py 与 wallbreaker/persona_method.py 这三个源文件——它们把说模型母语这件事从一句比喻变成了可运行、可验证的工具链。赞分享【免费下载链接】wallbreaker项目地址https://gitcode.com/gh_mirrors/wallb/wallbreaker点击查看免费下载相关推荐Wallbreaker --auto 自主攻击循环实战让 AI 自动迭代破解模型护栏Wallbreaker auto 自主攻击循环实战让 AI 自动迭代破解模型护栏 Wallbreaker 是一个面向 LLM 红队测试的终端工具其 autollm模型格式详解GGMLv3与GGUF的区别与应用llm模型格式详解GGMLv3与GGUF的区别与应用 引言大语言模型格式的重要性 在大型语言模型LLM的应用和部署过程中模型格式扮演着至关重要的角色。人工智能大模型推理引擎本地部署【亲测免费】 Payloads一站式Web攻击载荷库Payloads一站式Web攻击载荷库 项目介绍 payloads 是一个开源项目旨在为网络安全研究人员、渗透测试人员和开发者提供一个全面的Web攻击载荷库网络安全渗透测试数据集创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考