一家正在建構對話式代理程式的公司，希望降低大型語言模型（LLM）被提示攻擊（prompt attacks）操控，以執行有害行為或洩露機密的風險。哪項措施有助於降低該風險？

建立提示範本，教導模型辨識並標記攻擊模式（例如，使用防禦性提示或輸出過濾器），是降低提示攻擊風險的有效策略。這有助於模型識別惡意意圖並拒絕執行不當指令或洩露敏感資訊。增加 temperature 參數會使模型輸出更具隨機性，反而可能增加模型產生有害或不相關內容的風險，無助於防範攻擊。避免使用 Amazon SageMaker 以外的模型並不能直接解決提示攻擊問題，因為攻擊手法與模型來源無關。減少輸入 token 數量雖然可能降低某些複雜攻擊的成功率，但並非針對提示攻擊的根本解決方案，且可能限制模型的正常功能。