文档摘要

第3章 输出侧防御：内容审查与数据泄露防护 到这里，我们已经在输入侧筑起了三道防线：边界隔离让模型分清"指令"与"数据"，输入清洗滤掉明显的恶意载荷，检测引擎识别越狱探针与可疑意图。但一个有经验的攻防工程师会告诉你：再严密的输入过滤，也不可能做到 100% 拦截。模型仍可能因上下文诱导、多轮累积、或训练数据本身的偏见，吐出不该说的内容——可能是违法有害信息，可能是泄露的用户隐私，也可能是它本不该知道的内部系统提示词。 这就是为什么输出侧防御不是"锦上添花"，而是安全管线的"最后一公里"。它和输入侧防御构成纵深：输入过滤在攻击到达模型之前削减风险，输出过滤在有害结果离开系统之前再卡一道闸。

---