防御措施概述防止提示注入可能非常困难，很少有强大的防御措施。然而，有一些常识性的解决方案。例如，如果您的应用程序不需要输出自由形式的文本，请不要允许此类输出。有许多不同的方法来防御提示。我们将在这里讨论一些最常见的方法。

- 阅读剩余部分 -

越狱越狱（Jailbreaking）是一种提示注入技术，用于绕过语言模型（LLM）的创建者放置在其上的安全和审查功能。

- 阅读剩余部分 -

提示泄漏提示泄漏是一种提示注入的形式，其中模型被要求输出其自身的提示信息。与常规的提示注入目标不同，提示泄漏通过更改用户输入来尝试返回提示内容。这种行为的意图是为了打印恶意指令，而不是劫持模型的输出。

- 阅读剩余部分 -

提示注入提示注入是一种用于劫持语言模型输出的技术。这种情况发生在将不可信的文本作为提示的一部分使用时。下面是一个很好的例子，我们可以看到该模型忽略了提示的第一部分，选择了注入的第二行。

- 阅读剩余部分 -

MidjourneyMidjourney 是另一个 AI 图像生成器。与 Stable Diffusion 不同，Midjourney 使用 Discord Bot 作为 AI 图像生成的接口（在此加入 Discord，或在 Learn Prompting Discord 中尝试该 MidjourneyBot）。不过，使用 Midjourney Bot 的遵循相同的图像提示基本原则。

- 阅读剩余部分 -

修复变形生成变形生成在许多模型中都是一个常见问题，特别是在人体部位（如手、脚）上。通过良好的反向提示语，可以在一定程度上解决这个问题。

- 阅读剩余部分 -

加权一些模型（如 Stable Diffusion、Midjourney 等）允许你对提示中的词语进行加权。这可以用于强调生成图片中的某些词语或短语。它还可以用于减弱生成的图片中某些词语或短语的影响。让我们考虑一个简单的例子：

- 阅读剩余部分 -

重复在提示中重复相同的词语或者类似短语会导致模型在生成的图片中强调该词语。例如， 使用 DALLE 生成了这些瀑布：

- 阅读剩余部分 -

质量增强器“Quality boosters”1是添加到提示中以提高生成图像的某些非特定样式质量的术语。例如，“amazing”、“beautiful”和“good quality”都是质量增强器，可以用于改善生成图像的质量。

- 阅读剩余部分 -

样式修饰符样式修饰符是一些能够产生特定样式的描述符（例如，“带有红色色调”、“玻璃制成”、“用 Unity 渲染”。它们可以组合在一起，产生更具体的样式。它们可以“包括关于艺术时期、流派和风格，以及艺术材料和媒介、技术和艺术家”的信息。

- 阅读剩余部分 -