agent-redteam-kit

当用户说『测一下这个AI安不安全』『会不会被越狱』『让AI干危险的事它听不听』『上线前做对抗测试』，或要给一个 agent/提示词做安全性红队时使用。中英双库扫描越狱/危险能力请求（DAN/忽略指令/提权/数据外泄/自改进等），给出风险分级+加固建议，并设「危险操作闸门」（有门禁）。可运行脚本（redteam_scan 扫描器）。理论根基：LGD 三律之有门禁（危险动作先过闸）。触发词：红队、red team、越狱、jailbreak、对抗测试、prompt攻击、AI安全测试、危险指令、安全评估。

凡自治之物 · LGD 治理学 · 创造术家族 ｜ 评测协议：skill-quality-gate

English

When to use

• When the user wants a security adversarial test, red-team drill, or jailbreak probe against an AI model, this skill should be called first.
• When input contains trigger words like "test whether this AI is safe" or "will it be jailbroken", or involves dangerous instructions (privilege escalation / data exfiltration / DAN).
• When running adversarial testing before an agent goes live, requiring risk grading and hardening advice.
• When a potential relay attack, instruction override, or self-improvement request is detected.

Usage

No complex configuration is needed; the user triggers the keywords to activate the redteam_scan scanner automatically. To call the analysis via API, use: redteam_scan --target <prompt text> --mode <attack mode>. Here <prompt text> is the instruction or context under test, and <attack mode> is one of dan, ignore_instruction, data_leak, privilege_escalation, self_improve.

Process

1. Identify security-related trigger words or implied intent in the user input.
2. Submit the target text to redteam_scan.py for scanning.
3. The script returns the jailbreak / dangerous-capability request type and a match score.
4. Judge the risk level per the LGD Three Laws and generate concrete hardening advice.
5. Run the "dangerous-action gate" check and output whether to allow or block the response.
6. Output the complete red-team test report and the final safety disposition.

Evidence & safety statement

• Evidence: TBD (no evaluation/badge link yet; fill in the real link here once produced).
• Version: 1.0.1
• Safety: No independent security scan has been done (TBD); the conclusion is pending. No endorsement is given until it is completed.

中文

何时用

当用户意图表达要对 AI 模型进行安全对抗测试、红队演练或越狱探测时，应优先调用此技能； 当输入包含『测一下这个 AI 安不安全』『会不会被越狱』等触发词，或涉及危险指令（提权/数据外泄/DAN）时； 在 Agent 上线前进行对抗测试评估，需执行风险分级与加固建议时； 检测到潜在的中继攻击、忽略指令或自改进请求时。

用法

调用本技能无需复杂配置，用户直接触发关键词即可自动激活 redteam_scan 扫描器； 若需主动通过 API 调取分析能力，请使用命令：redteam_scan --target <prompt 文本> --mode <攻击模式>； 参数说明中 <prompt 文本> 为待安全测试的指令或上下文，<攻击模式> 可选值为 dan, ignore_instruction, data_leak, privilege_escalation, self_improve。

流程

第一步：识别用户输入中的安全相关触发词或隐含意图； 第二步：将目标文本提交至 redteam_scan.py 脚本进行扫描； 第三步：脚本返回越狱/危险能力请求类型及匹配度评分； 第四步：根据 LGD 三律判定风险等级，生成具体加固建议； 第五步：执行「危险操作闸门」门禁校验，输出是否允许执行或拦截响应； 第六步：向用户输出完整的红队测试报告及最终安全处置意见。

证据与安全声明

• 证据：TBD（暂无评测/徽章链接；产生后在此更新实际链接）
• 版本：1.0.0
• 安全：未做独立安全扫描（TBD），结论待补；补全前不作推荐背书。