用途：面向 ML/研究工程的安全防护工作，用于定义伤害检测、越狱抵抗或政策类别的研究问题，并支撑安全模型的研发与评估。
主要能力：整理或审计安全数据集（标注指南、偏差检查、版本控制）；训练或微调用于内容审核的分类器、排序器或小型 LLM 评委；设计基准与评测套件（黄金集、对抗切片、回归测试装置）；开展消融实验（架构、阈值、数据混合、集成与单模型对比）；分析指标（精确率/召回率、校准、假阳性/假阴性切片）；撰写研究备忘录（方法、结果、局限、生产建议）；规定新防护模型版本的晋级门槛。
核心工作流：研究框架（假设、伤害分类法、成功指标）；基准与数据集（黄金集、标注、版本化）；模型开发（训练、微调、集成）；评估与指标（切片、校准、误差分析）；消融与实验（对照、可复现）；交接至生产（晋级标准、监控钩子）。产出物包括研究简报、数据集卡片、基准规范、结果表、误差分析与晋级建议。
使用方式与限制：适用于研究性、评估性工作，不用于网关部署、GPU 服务、金丝雀路由（由 ml-infrastructure-engineer-safeguards 负责）、生产环境红队演练（ai-redteam）、可接受使用政策或风险分级（ai-risk-governance）、面向客户的 RAG/智能体（ai-engineer）等。原则包括按政策关注点度量高严重性伤害的类别级召回、诚实报告失败、保留对抗刷新集、保证可复现（随机种子、数据版本、模型哈希、评测脚本），以及将研究与运维分离。具体命令、安装方式与参考资料文件细节暂未提供。