微软近日公布了一套纵深防御策略，微软旨在应对企业环境中大型语言模型（LLM）面临的详解最严峻安全威胁——间接提示注入攻击。该公司的防御多层次防护方案结合了预防技术
、检测工具和影响缓解策略 ，间接可有效防范攻击者在LLM处理的提示外部数据源中嵌入恶意指令的行为。源码库

核心要点：

微软的注入防御策略围绕三大核心保护机制展开。该公司不仅实施了强化的攻击系统提示方案，还开发了名为"聚光"（Spotlighting）的术方创新技术，帮助LLM区分合法用户指令与潜在恶意的微软外部内容。云计算

"聚光"技术包含三种运行模式 ：定界模式（使用随机文本分隔符如<< { { 文本}} >>）、详解数据标记模式（在词语间插入ˆ等特殊字符）以及编码模式（采用base64或ROT13等算法转换不可信文本） 。防御

在检测能力方面，间接微软部署了基于概率分类器的提示"提示防护盾"（Microsoft Prompt Shields）系统 ，可识别多语言外部内容中的注入提示注入攻击
。该检测工具与Microsoft Defender for Cloud无缝集成 ，建站模板攻击作为AI工作负载威胁防护的一部分 ，使安全团队能够通过Defender XDR门户监控和关联AI相关安全事件。该系统为企业提供了针对基础设施中LLM应用潜在攻击的全方位可视化能力。

微软的研究计划包括开发名为TaskTracker的新型检测技术 ，亿华云该技术通过分析推理过程中的LLM内部状态（激活值）而非检查文本输入输出来实现检测
。公司还举办了首个公开自适应提示注入挑战赛LLMail-Inject
，吸引了800多名参与者，并生成了超过37万条提示的数据集供后续研究使用 。

为降低潜在安全影响
，微软针对已知数据外泄方法（包括HTML图片注入和恶意链接生成）实施了确定性拦截机制 。高防服务器公司通过Microsoft 365 Copilot与敏感度标签  、Microsoft Purview数据丢失防护策略的集成，实现了细粒度数据治理控制
。此外，"人在回路"（HitL）模式要求对潜在风险操作获取用户明确授权，Outlook Copilot的"使用Copilot起草"功能便采用了该机制。源码下载

这套综合方案从根本上解决了间接提示注入这一由现代LLM概率特性和语言灵活性引发的固有风险，使微软在AI安全创新领域保持领先地位 。