摘要：
Domain2 资产安全 识别和分类信息和资产 数据分类[高频] 按敏感度分类 机密/绝密：最高敏感度，泄露会造成严重损害 示例：国家机密、商业秘密、客户信用卡信息 内部使用 ：仅限内部员工访问 示例：内部政策、员工信息、财务报表 敏感 ：需要特殊保护但不如机密数据敏感 示例：客户联系信息、营销数据 阅读全文
posted @ 2026-02-01 20:36
Rodericklog
阅读(10)
评论(0)
推荐(0)
摘要：
OWASP Top 10 for LLM Applications 风险详解 AI愈发火热，安全问题也需要关注学习一下，和传统web安全很像，传统安全通过参数传输数据，达到攻击目的，而AI环境下，使用大模型本身进行攻击，输入对应提示词攻击，输出对应着利用不严格的输出限制进行XSS，SQL注入，命令执 阅读全文
posted @ 2026-01-14 23:50
Rodericklog
阅读(63)
评论(0)
推荐(0)
摘要：
Domain1 安全与风险管理 职业道德[高频] ISC2 职业道德规范 保护社会、公共利益和基础设施 - 优先考虑公共安全 保护社会原则优先级最高 行为诚实、公正、负责和合法 - 保持职业诚信 为雇主和客户提供勤勉和专业的服务 - 尽职工作 推进安全专业的发展并保护其声誉 - 提升行业水平 组织道 阅读全文
posted @ 2026-01-14 23:42
Rodericklog
阅读(2)
评论(0)
推荐(0)
摘要：
本文针对用户认证与授权系统，使用威胁建模的方法，加深对于web漏洞的理解，完善自我的知识框架。使用AI生成尽可能系统遍历可能出现的风险。 功能总结 基础认证功能包括用户注册（邮箱/手机号注册、用户名注册、第三方登录如Google/Facebook/微信等）、登录功能（账号密码登录、手机验证码登录、扫 阅读全文
posted @ 2026-01-13 20:59
Rodericklog
阅读(14)
评论(0)
推荐(0)
摘要：
基础版企业安全网络架构，采用纵深防御(Defense in Depth)策略，确保业务连续性与数据安全。 整体架构设计原则 零信任架构 最小权限原则 网络分段隔离 多层防御体系 安全可观测性 各层详细设计 边界防护层(Internet Edge) 防护通常采用分层部署：边缘防护（防火墙、路由器）→ 阅读全文
posted @ 2026-01-12 22:01
Rodericklog
阅读(22)
评论(0)
推荐(0)
摘要：
Retrieval模块的设计意义 RAG 检索增强生成（Retrieval-augmented Generation） 解决大模型幻觉的问题。LLM无法学习到所有的专业知识细节，因此在面向专业领域的提问时，无法给出可靠准确的回答，甚至会“胡言乱语”。 优点： 相比提示词工程，RAG有更丰富的上下文和 阅读全文
posted @ 2026-01-08 15:00
Rodericklog
阅读(7)
评论(0)
推荐(0)
摘要：
Agent概述 Agent(智能体) 是一个通过动态协调大语言模型(LLM)和 工具(Tools)来完成复杂任务的智能系统。它让LLM充当"决策大脑"，根据用户输入自主选择和执行工具(如搜索、计算、数据库查询等)， 最终生成精准的响应。 大模型(LLM):作为大脑，提供推理、规划和知识理解能力。比 阅读全文
posted @ 2026-01-08 09:42
Rodericklog
阅读(33)
评论(0)
推荐(0)
摘要：
Tools概述 Tools 用于扩展大语言模型(LLM)的能力，使其能够与外部系统、API 或自定义函数交互，从而完成仅靠文本生成无法实现的任务(如搜索、计算、数据库查询等)。 Tools 本质上是封装了特定功能的可调用模块，是Agent、Chain或LLM可以用来与世界互动的接口。 Tool 通常 阅读全文
posted @ 2026-01-08 09:39
Rodericklog
阅读(5)
评论(0)
推荐(0)
摘要：
模型本身是不会记忆任何上下文的，只能依靠用户本身的输入去产生输出。在 LangChain 中，提供记忆功能的模块就称为 Memory(记忆) ，用于存储用户和模型交互的历史信息。 基础Memory模块的使用 基础Memory模块的使用 层次1(最直接的方式):保留一个聊天消息列表 层次2(简单的新思 阅读全文
posted @ 2026-01-08 09:32
Rodericklog
阅读(14)
评论(0)
推荐(0)
摘要：
Chain的基本概念 Chains在最新的1.0版本已经没有描述了，但仍然可以使用，学习Chains的思想。 Chain 的核心思想是通过组合不同的模块化单元，实现比单一组件更强大的功能。比如: 将LLM与Prompt Template 结合 将LLM与输出解析器结合 将LLM与外部数据结合 将LL 阅读全文
posted @ 2026-01-08 09:28
Rodericklog
阅读(6)
评论(0)
推荐(0)
浙公网安备 33010602011771号