对话式 LLM 智能体的黑盒取证研究

研究对匿名端点背后的对话式 LLM 智能体开展黑盒取证，归因分类器仅凭几轮非对抗对话即可识别底层模型，准确率达 98%。系统提示词归因需针对每个提示词重新训练大量数据，成本高昂；跨编码器指纹方法在完全未见过的系统提示词上取得 AUC 0.768、F1 0.703，聚合每个目标智能体 50 段对话后 AUC 提升至 0.943。