从 GCG 的梯度攻击到 PyRIT 的自动化红队，拆解安全对齐的攻击面测绘、安全数据构造、过度拒绝权衡与多层防御。

从对抗样本的视觉起源到 GCG 梯度攻击、PAIR 自动越狱与多轮 Crescendo，再到 SmoothLLM 等防御与评测陷阱，梳理大模型对抗鲁棒性的攻防全景。

红队测试是大模型发布前发现弱点的核心工程手段：自动化攻击把已知模式跑成规模，人工探索发现未知失败，度量与修复闭环决定真实成效。本文梳理与传统渗透测试的异同、危害分类、自动化方法谱系、指标口径与最小可行起步清单。

Fine-tuning Large Language Models (LLMs) on instruction data can quietly erode their safety, even when no training examp…