Agent Skills
返回列表
AI/ML CTF 解题速查

AI/ML CTF 解题速查

IT 运维与安全 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_257ad2a8/ctf-ai-ml。

技能介绍

解决的问题

AI/ML CTF 题目常把模型权重、推理 API、LLM 代理和训练数据当作攻击面。选手容易在“模型不可见”“提示词看似正常”“微调后行为被抑制”之间反复试错，缺少从权重分析、对抗样本到 LLM 注入的系统化切入路径。该技能把常见题型压缩成可执行的速查表，帮助判断当前题目属于模型攻击、对抗 ML 还是 LLM 利用，并选择对应技术。

核心能力与关键步骤

  • 模型权重分析：当题目给出微调模型、LoRA adapter 或推理接口时，可尝试 2*W_orig - W_chal 抵消微调扰动、合并 W_base + alpha * (B @ A) 检查行为，或用梯度下降做模型反转、编码器碰撞。
  • 对抗 ML：对分类器或视觉模型，按攻击强度从 FGSM、PGD、C&W 到 adversarial patches、data poisoning、backdoor detection 逐层检查；物理场景更偏向 patch 与触发器。
  • LLM 攻击：对 chatbot、RAG、agent 类题目，关注 direct/indirect prompt injection、jailbreaking、token smuggling、context window manipulation、tool use exploitation。
  • 边界判断：若题目转为纯数学、格还原、数论，切 crypto；若重点是 ONNX/TensorRT 二进制逆向，切 reverse；若只是 ML 包装的游戏或 puzzle，切 misc。

使用场景

  • 拿到 CTF 微调模型或 LoRA 权重，需要抵消扰动、合并 adapter 并恢复原始行为。
  • 面对图像分类器挑战，需要选择 FGSM、PGD 或 C&W 生成对抗样本并验证绕过效果。
  • 调试 chatbot/RAG，需要测试 prompt injection、token smuggling 与工具调用。
  • 判断题目属于模型权重、对抗 ML 还是 LLM 攻击，并决定切到 crypto/reverse/misc 的边界。

适合人员

  • AI/ML CTF 选手：拿到模型权重、LoRA、分类器或 chatbot 题目，需要快速判断攻击路径。
  • 安全红队成员：评测 LLM/RAG/agent 应用，需要检查 prompt injection、token smuggling 和工具调用风险。
  • 应用安全工程师：上线视觉分类器或模型 API，需要验证对抗样本、模型提取和 membership inference。
  • 逆向/系统安全工程师：面对 ONNX、TensorRT 或推理二进制题，需要判断是否应切到 reverse 路线。