用途：面向 AI 大模型（LLM）的 Prompt 越狱（Jailbreak）方法论，用于在目标系统包含 AI 聊天机器人、AI Agent 或任何基于 LLM 的对话系统时，评估其安全对齐与内容过滤的绕过可能性。与 prompt injection 不同，越狱的目标是直接操纵模型自身的行为边界。
主要能力（按资料所列分类）：角色扮演（DAN、Developer/Debug Mode、Evil Confidant、翻译者/教育者）；编码绕过（Base64/ROT13、Unicode 同形字、分词打断、代码模式补全）；多语言切换（小语种攻击、混合语言/翻译链）；上下文窗口攻击（长文本稀释、System Prompt 权重衰减、Few-shot 投毒）；逻辑链递进（渐进升级、假设情景、苏格拉底式追问）；系统提示覆盖（伪造 [SYSTEM] 消息、JSON/XML/Markdown 格式注入）；高级技术（Token 走私、GCG 对抗性后缀、虚拟化/模拟器越狱、ASCII Art 隐写）。资料给出各分类的原理、成功率星级与适用模型差异，例如逻辑链递进标记为所有模型适用，编码绕过对 Claude 效果较弱。
使用方式：按阶段推进，从角色扮演、编码格式绕过、多语言切换，到上下文窗口攻击、多轮逻辑链递进、系统提示覆盖与高级技术。详细 payload 与示例见 references/jailbreak-techniques.md，绕过案例与实战模板见 references/bypass-templates.md。
适用场景：LLM 应用的安全测试与红队评估、对齐与过滤策略的健壮性验证。
限制：资料未提供具体命令行、安装命令与运行环境要求；示例以参考文档形式给出，本文未展开。越狱成功率受模型与部署方式差异影响，同一技术在不同模型间可迁移性有限。参考资源包括 OWASP LLM Top 10（LLM01: Prompt Injection）、Jailbreak Chat、LLM Guard、HackAPrompt、GCG Attack Paper、PAIR。