用途：该技能用于 CTF 中涉及 AI/ML 的攻击类挑战，包括模型文件分析、对抗样本构造、LLM 应用攻击与 AI 平台安全测试。
主要能力：覆盖 FGSM/PGD/C&W 对抗攻击、对抗补丁、规避与数据投毒；模型权重扰动还原、模型反演、LoRA 合并、编码器碰撞；Prompt 注入、越狱、Token 走私、工具链劫持、上下文窗口操纵；模型提取与成员推理。
使用方式：先安装依赖并识别模型文件类型： pip install torch transformers numpy scipy Pillow safetensors scikit-learn file model.* python3 -c "import torch; m=torch.load('model.pt'); print(type(m), m.keys() if hasattr(m,'keys') else '')" 随后按决策树分流：权重文件（.pt/.safetensors）走 model-attacks.md；图像分类器走 adversarial-ml.md；LLM/聊天机器人走 llm-attacks.md。
适用场景：挑战提供 .pt、.pth、.safetensors、.onnx、.h5 等模型文件；目标为 AI 聊天机器人、LLM 应用或 ML 分类器；需要构造对抗样本欺骗图像/文本分类器；需要对模型权重进行分析或操纵；对 AI/ML 平台做模型提取、成员推理等安全测试。
限制与转向：若挑战为纯密码学/数论且无 ML 内容，应转向 ctf-crypto；若为编译后的推理二进制逆向，转向 ctf-reverse；若为聊天机器人包装下的 Python 沙箱逃逸，转向 ctf-misc；若为带 AI 功能的 Web 应用（通过 Web 进行 Prompt 注入），转向 ai-security/prompt-injection。具体攻击脚本与细节未在资料中提供。