**开源提示注入检测器难挡真实 Agent 攻击：最佳方案仅拦下 51%**

_Can open-source prompt-injection detectors catch realistic AI agent attacks?_

> GitHub 项目 buried-injections 用 629 个 AgentDojo 真实注入攻击（均埋藏在正常工具输出中）测试了 10 款开源提示注入检测器。结果：表现最好的 jailbreak-detector-large 仅拦截 51%，误报率 2%；Meta 的 Prompt Guard 2（86M）只拦下 1%，22M 版本与正则基线均为 0%；而 deepset、fmops 两款虽拦住 100% 攻击，却同时误报 98% 的安全输出。检测器主要存在三种失效模式：识别不了 AgentDojo 这类看似正常请求的措辞、单独能识别但被上下文稀释（如 ProtectAI 单独识别 27/27，混入正常工具输出后仅 23%）、以及为求覆盖而几乎拦截一切。作者提供可复现基准与排行榜。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：论文
- **发布时间**：2026-09-24 14:37（北京时间）
- **原文**：[打开原文](https://github.com/rudratoshs/buried-injections)