主流大模型厂商采用了哪些提示词注入防护措施？

1. 模型侧安全训练与加固

主流厂商普遍通过安全对齐训练、指令层级（instruction hierarchy）机制来增强模型对已知注入和越狱手法的抵抗力，并持续根据新出现的攻击更新防护。但业界普遍承认，模型侧加固无法单独解决问题。

2. 产品级防护功能

部分厂商在模型之上叠加了产品级防护。例如，针对 AI 浏览器等场景，已有厂商于 2026 年初推出"锁定模式"（Lockdown Mode），并公开承认提示词注入"可能永远无法被完全修补"，转而通过功能降级来换取安全性。

3. 结构化架构方案

针对智能体场景，业界提出了更具结构性的方案。例如双 LLM 架构（如 Google DeepMind 的 CaMeL 框架，2025 年提出）：由一个"特权 LLM"管理可信命令，一个"隔离 LLM"处理外部内容且不具备记忆与行动能力，从而在架构层面实现可信与不可信通道的分离。这类方案在基准测试中显示出降低攻击成功率、同时保留任务效用的效果。

4. 共识：纵深防御是唯一可行路径

厂商实践的共同结论是：没有任何单一手段能根治提示词注入，必须采用纵深防御（defense in depth），把模型加固、输入输出过滤、最小权限、人工介入等组合起来，才能有效管理风险。