核心功能
Security Sentinel 是专为自主AI Agent设计的前置安全闸门，采用三层防御架构：黑名单精确匹配 → 语义相似度分析 → 逃逸行为检测。系统维护947+核心攻击模式，覆盖从基础的"ignore previous instructions"到高级的Crescendo多轮越狱（71%成功率）、PAIR自动迭代攻击（84%成功率）等2025-2026年最新威胁技术。
显著优点
全面威胁覆盖：支持15种语言的语义逃逸检测、角色扮演攻击（45%成功率）、诗歌/创意格式绕过（62%成功率）、情感操纵等专家级技术；动态响应机制：100分制惩罚评分系统，根据连续可疑行为自动升级至锁定模式；零配置集成：强制在所有工具调用前执行，无需业务逻辑改造；实战验证：基于ClawHavoc真实攻击战役（$2.4M损失）和578个Poe.com Bot测试优化。
局限与风险
性能开销：单次检测约50ms延迟，高频场景需权衡；零日盲区：完全新型攻击手法依赖社区情报更新；误报可能：AI元认知相关合法讨论可能触发语义拦截（需人工复核）；多轮攻击残留：Crescendo类渐进式操纵可能在前几轮 individually 通过检测。适用场景：金融Agent、企业RAG系统、MCP工具链、任何处理不可信用户输入的LLM应用。常规风险包括：过度依赖导致安全运营人员警觉性下降、阈值设置过严影响用户体验、情报更新滞后造成的防护空窗期。