人工智能初創 Anthropic 近日公開其最新 AI 模型 Opus 5 的安全表現，指出該模型在自家軟件環境中幾乎完全免疫提示注入（prompt injection）攻擊。提示注入是一種繞過 AI 模型指令的攻擊手法，攻擊者可透過網頁上的隱藏文字等操縱輸入內容，誘使模型偏離原定行為。據官方系統卡資料，Opus 5 在 129 項針對瀏覽器代理的測試場景中，攻擊成功率錄得零百分比，而 OpenAI 去年 12 月曾承認提示注入可能永遠無法完全解決。安全公司 Gray Swan 的一般提示注入測試亦顯示，Opus 5 在 15 次攻擊後的成功率由 Opus 4.8 的 5.5% 降至 2.0%。
重點文章
自動模式雙層防護關鍵
Anthropic 表示，零成功率僅在 Claude Cowork 等產品的自動模式（Auto Mode）開啟時才能實現。自動模式疊加兩層防禦：第一層在模型處理輸入數據前掃描是否存在隱藏指令；第二層則在執行危險動作前予以攔截。攻擊者必須同時突破兩層防護才能得手。若關閉自動模式，Opus 5 的攻擊成功率約為 3.7%，而體積較小的 Sonnet 5 反而更低，僅 0.93%。由此可見，只有模型與防護軟件結合，才能將風險壓至零。
業界安全里程碑
提示注入一直被視為 AI 代理普及的主要障礙，尤其對需要讀取網頁內容的瀏覽器代理風險極高。Opus 5 的成果意味著實務防禦已達到可商用等級，但 Anthropic 強調仍須依賴自動模式等配套機制，而非單靠模型本身。安全測試結果亦突顯，不同模型在不同設定下的表現差異顯著，企業部署 AI 代理時應全面評估防護配置。
