本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# FAQ
<a name="faq"></a>

**問：我應該考慮哪些額外的安全層來防止快速注入攻擊？**

**答：**下圖顯示三個主要安全層：LLM輸入、LLM內建護欄和使用者導入護欄。

![LLM 安全層：輸入、內建護欄和使用者介紹的護欄](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/llm-prompt-engineering-best-practices/images/llm-security-layers.png)


您的組織應考慮跨所有層實作安全通訊協定。對於第一層 ( *LLM輸入*)，請考慮風險緩解步驟，透過實作個人識別資訊 (PII) 或敏感資訊修訂、身分驗證、授權和加密等機制來協助保護應用程式。第二層*LLM （內建護欄*) 是由 提供的模型或應用程式有價證券LLM。雖然大多數LLMs都經過安全通訊協定訓練，以防止不當使用，但您的組織仍應考慮使用 [Amazon Bedrock 的 Guardrails ](https://aws.amazon.com/bedrock/guardrails/)來新增其他安全控制，在所有生成式 AI 應用程式之間提供一致的 AI 安全性層級。最後，*使用者引入的護欄*應該在產生的輸出上引入最佳提示範本設計和後製處理安全措施，以防止不良結果。

**問：組織如何防禦提示工程中的提示注入攻擊？**

**答：**組織可以透過實作[最佳實務](best-practices.md)一節中討論的最佳提示工程實務，來防禦快速注入攻擊。您的組織也可以考慮新增護欄，例如輸入驗證、提示消毒和安全通訊管道。

**問：提示安全元素是否與模型無關？**

**答：**通常，提示安全元素是針對特定 所設計LLMs。每個 LLM 都以不同的方式進行資料品質、多樣性、表示、偏差和微調方法的訓練，因此針對一個 引入的提示安全元素LLM無法直接轉移到另一個 LLM。不過，本指南中討論的安全元素可提供架構和方向，以為其他 開發量身打造的提示安全元素LLMs。

**問：我應該如何將這些元素整合到企業MLOps架構中？**

**答：**視您組織的限制條件和資料環境而定，即時安全元素可由處理特定生成 AI 使用案例的資料科學家或開發人員擁有，或由中央生成 AI 治理團隊擁有。當您設計生成式 AI 解決方案的MLOps架構並將解決方案發佈至生產環境時，我們建議您檢閱 AWS 部落格文章 [FMOps/LLMOps：使用 Amazon AI Clarify 和服務作為起點，操作化生成式 AI 以及大規模和操作化評估的差異MLOps](https://aws.amazon.com/blogs/machine-learning/fmops-llmops-operationalize-generative-ai-and-differences-with-mlops/)。 [ LLM SageMaker MLOps ](https://aws.amazon.com/blogs/machine-learning/operationalize-llm-evaluation-at-scale-using-amazon-sagemaker-clarify-and-mlops-services/)考慮引入安全閘道，以確保已新增適當的提示層級安全性。

**問：哪些是成功的使用案例？**

**答：**本指南中討論的護欄成功用於 RAG解決方案，適用於人力資源、公司政策、保險文件摘要、企業投資和醫療記錄摘要。