用途：作为 AI/ML 系统安全评估的操作手册，帮助测试模型加载与部署链路、分类/检测模型、MLaaS、含敏感数据训练的模型、LLM 与自主智能体中的风险。
主要能力：
- 模型供应链：pickle 反序列化 RCE（PyTorch .pt/.pth、.pkl、.joblib、.npy 等格式风险与缓解；.safetensors、.onnx 相对安全）、Hugging Face 模型投毒与检测信号、依赖混淆。
- 对抗样本：白盒 FGSM、PGD、C&W，黑盒迁移与查询攻击，以及物理世界对抗补丁、眼镜、音频扰动。
- 模型投毒：训练数据后门、标签翻转、联邦学习中的梯度操纵。
- 模型窃取：查询式提取、侧信道（响应时间、置信度、Top-K、缓存与功耗）、黑盒知识蒸馏。
- 隐私攻击：成员推断、模型反演、联邦学习梯度泄漏（DLG）。
- LLM 专项：训练数据提取、系统提示提取、对齐绕过（微调、表征工程、激活修补、量化退化）。
- 智能体安全：提示注入导致的权限提升、多智能体信任传递、有副作用工具需用户确认。
使用方式：按文档末的决策树评估目标——先看模型加载/部署链路，再判断是否为分类模型、是否用用户贡献数据训练、是否为 API、是否涉及敏感数据、是否为 LLM、是否为智能体，最后用自动化工具扫描。文档给出常用工具：Adversarial Robustness Toolbox、CleverHans、Fickling、ModelScan、NB Defense、Garak、PyRIT、Rebuff。
适用场景：安全测试、红队评估、ML 供应链审计、隐私合规评审。
限制：资料限于方法论述与格式风险表，未提供各工具的具体安装命令、版本或收费信息；跨主题细节（如 LLM 提示注入）需参考相关技能文档，未在本文展开。