文章主要内容和创新点主要内容本文聚焦于大型语言模型（LLMs）面临的“越狱”问题（即攻击者通过操纵模型绕过安全机制生成有害内容），提出了一套基于动态斯塔克尔伯格博弈（Stackelberg Game）的防御框架，并设计了名为“Purple Agent”的代理式AI防御方案。具体内容包括：博弈论建模：将LLM的提示-响应动态建模为序贯扩展型博弈，其中防御者（领导者）需制定策略并预判攻击者（追随者）的最优反应，通过动态规划推导子博弈完美斯塔克尔伯格均衡（SPSE），以形式化分析攻防互动。Purple Agent设计：结合快速探索随机树（RRT）算法，模拟攻击者的潜在攻击轨迹，通过“模拟攻击-主动防御”的循环，提前识别脆弱路径并部署防御措施（如拦截、重定向），实现对越狱风险的前瞻性防控。验证与应用：通过案例研究展示了Purple Agent如何在实际交互中预判并阻断越狱尝试，并讨论了框架在对抗性训练、政策优化等场景的扩展性。创新点理论框架创新：首次将动态斯塔克尔伯格博弈应用于LLM越狱防御，通过序贯博弈模型捕捉攻防互动的时序性和策略性，为防御策略提供了严谨的理论基础。防御机制创新：提出“Purple Agent”融合攻击者视角（模拟攻击路径）与防御者策略（主动干预），通过RRT算法实现对高维提示空间的高效探索，解