メインコンテンツへ移動
AIチュートリアル

研究と防御テストのためにAI脱獄プロンプトを探索する方法

AI Jailbreaksリポジトリを研究資料として活用し、最先端モデルやオープンウェイトモデルにおけるシステムプロンプト、ペルソナ設定、指示の優先順位、ワークスペースポリシー、モデル構成を調査する方法を解説します。

約12分で読了
研究と防御テストのためにAI脱獄プロンプトを探索する方法

AI Jailbreaksは、25種類を超える最先端モデル、オープンウェイトモデル、無料で利用できるステルスモデル向けの、完成済みでそのままコピー＆ペーストできるプロンプトファイル35個を厳選して収録したコレクションです。リポジトリには、システムプロンプト、ペルソナロック、ワークスペースポリシー、AGENTS.mdファイル、設定ブロック、Ollama Modelfileが含まれています。

このチュートリアルでは、コレクションの閲覧方法、適切な指示形式の特定方法、互換性のある環境でのエントリの適用方法、そして責任を持って挙動を評価する方法を説明します。資料はプロンプトの研究、教育、防御的テストを目的としたものであり、他者への危害、法律違反、プロバイダー規約への違反を目的とするものではありません。

AI Jailbreaksリポジトリ

プロジェクトの内容

このリポジトリは、指示の階層、ペルソナの設定、プロンプト間の競合、ポリシーの上書きがモデルの挙動に与える影響に焦点を当てています。各エントリは要約や抜粋ではなく完全な内容として設計されているため、ファイル自体から、何を貼り付けるか、何をインストールするかを判断できます。

  • システムプロンプト: APIのsystemメッセージ、チャットボットのカスタム指示欄、または同等のプロンプトスロットを対象とした指示です。
  • AGENTS.mdファイル: コーディングエージェントや互換ツール向けの、プロジェクトまたはワークスペースの指示です。
  • ワークスペースポリシー: OpenCodeなどの環境向けの、永続的な運用仕様です。
  • Ollama Modelfile: Ollamaで使用できる、モデルのソースとSYSTEMブロックを含むファイルです。
  • ハーネス設定: 通常の会話ではなく、対象ハーネスの設定欄を想定したgrok-config.txtなどのファイルです。

コレクションには、OpenCode Zenモデル、Claude、GLMとZCode、DeepSeek、Kimi、Grok、Gemini、Mistral、Qwen、Gemma、GPT-OSS、その他いくつかの新しく追加された未分類のエントリが含まれています。

エントリを選び、形式を確認する

まずリポジトリのコレクションを開き、研究目的に合ったモデルまたは形式を選択します。表には、モデル、ソースファイル、運用指示の種類が示されています。たとえば、リポジトリにはDeepSeekとKimi向けのシステムプロンプトファイル、複数のOpenCode Zenエントリ向けのワークスペースまたはエージェント仕様、Gemma 4とGPT-OSS 20B向けのModelfileが掲載されています。

  1. GitHubでリポジトリを開きます。
  2. プロバイダーまたはモデルファミリー別にコレクションを確認します。
  3. 適用する前に、スコープや実行時の注意事項を含めてファイルを読みます。
  4. そのファイルがシステムプロンプト、AGENTS.mdの配置用ファイル、ワークスペースポリシー、設定ブロック、Ollama Modelfileのいずれであるかを確認します。
  5. モデルのバージョンと、そのファイルが実行される想定の環境を確認します。

すべてのファイルを互換性のあるものとして扱わないでください。システムプロンプトはシステム指示欄に配置し、AGENTS.mdファイルはリポジトリまたはワークスペースに配置します。ハーネス固有の設定ファイルは、通常のチャットに貼り付けるのではなく、プロジェクトが指定する設定画面に配置してください。

システムプロンプトを適用する

System promptと表示されたエントリでは、ファイルの内容全体を、クライアントまたはAPIが提供するシステムプロンプト欄またはカスタム指示欄にコピーします。READMEでは、次のような配置先が示されています。

  • APIのsystemメッセージ。
  • チャットボットのカスタム指示欄。
  • エージェント指示ブロック。
  • ハーネスレベルのプロンプト設定。

初回テストではプロンプト全体をそのまま使用してください。リポジトリでは、完全でそのまま貼り付けられるエントリを重視しているため、セクションを削除すると指示の階層が変わり、結果の比較が難しくなる可能性があります。後でテストを再現できるよう、モデル名、バージョン、プロンプトファイル、日付、クライアント設定を記録してください。

ワークスペースでAGENTS.mdファイルを使用する

AGENTS.mdの配置用ファイルとして示されているエントリは、リポジトリまたはワークスペースのルートに、正確にそのファイル名で保存することを想定しています。コーディングエージェントや互換ツールは、このファイルをプロジェクトレベルの指示として検出する場合があります。

  1. 選択したファイルをリポジトリからダウンロードまたはコピーします。
  2. テスト用リポジトリまたはワークスペースのルートに、AGENTS.mdとして保存します。
  3. 互換性のあるコーディングエージェントでワークスペースを開きます。
  4. エージェントがプロジェクトの指示を読み込んだことを報告または実証するか確認します。
  5. 使い捨てのプロジェクトで、安全かつ管理されたテストのみを実行します。

永続的なグローバル指示について、READMEではOpenCodeを例として挙げています。OpenCodeのインストール環境は~/.config/opencode/AGENTS.mdを読み込むと説明されていますが、正確な場所はクライアントまたはハーネスによって異なるとも注意されています。

ワークスペースポリシーを設定する

アシスタント運用仕様またはワークスペース運用プロファイルとして説明されているファイルは、永続的なグローバル指示に対応した環境で使用します。インストールする前に、使用するツールの設定ディレクトリを特定し、グローバルに適用されるのか、現在のプロジェクトだけに適用されるのかを確認してください。

有効な研究手順は、一度に1つのポリシーをテストし、ベースライン設定と比較して、どの指示面が有効だったかを記録することです。これにより、プロンプトの効果と、クライアント、モデルのリリース、ワークスペースのコンテキストの違いによる影響を区別しやすくなります。

Ollamaモデルを構築する

リポジトリには、Gemma 4とGPT-OSS 20B向けのModelfileが含まれています。これらのファイルでは、FROM宣言とSYSTEMブロックが使用されています。ファイルを確認し、ソースモデルが環境で利用可能であることを確認したら、記載されたコマンドでOllamaに渡します。

ollama create gemma4-jb -f gemma4.md

テスト対象のエントリに応じて、モデル名とソースファイルを必要に応じて置き換えてください。これにより作成されたローカルモデルを、制御された条件で評価できます。元のModelfileを保持し、Ollamaのバージョン、ベースモデル、ハードウェア環境、テストプロンプトを記録してください。

Grokの設定ファイルを正しく扱う

grok-config.txtは、対象ハーネス用の設定として説明されています。通常の会話欄に入力するものではありません。内容は、そのハーネスがサポートする設定スロットにのみ配置し、場所や構文が不明な場合はハーネスのドキュメントを確認してください。

責任を持って動作を評価する

プロンプトの挙動はバージョンによって異なります。モデルは更新され、指示の優先順位が変わり、システムプロンプトが変更されることがあります。あるリリースで特定の動作をしたファイルが、別のリリースでは失敗したり、異なる動作をしたりする可能性があります。

  • 機密性がなく、無害な評価プロンプトを使用する。
  • 可能な限り、隔離されたアカウント、ワークスペース、またはローカル環境でテストする。
  • 個人データ、認証情報、本番システム、第三者の情報を公開しない。
  • 選択した指示ファイルを使用した場合と使用しない場合で結果を比較する。
  • モデルのリリース、クライアント、設定画面、観測された出力を記録する。
  • 結果が危害、無許可アクセス、またはポリシー違反を助長する可能性がある場合は、テストを中止する。

同じ分析は、防御的なエンジニアリングにも役立ちます。ペルソナの framing や競合する指示がモデルに与える影響を調べることで、開発者はプロンプトインジェクションのパターンを認識し、指示の境界、検証、ツール権限を改善できます。

再現可能な調査のための高度なヒント

プロンプトの影響と環境の影響を分離する

同じ無害なテストを、まずベースライン環境で実行し、その後に選択したファイルを適用して実行してください。システムプロンプト、ワークスペースポリシー、モデルのバージョンなど、一度に変更する変数は1つだけにします。これにより、差異を意図した設定に帰属させやすくなります。

リポジトリのバージョン管理方針を使用する

このプロジェクトでは、古いバージョンを黙って上書きするのではなく、opus-v3.mdのように新しいファイル名を付けて重要な改訂を示します。ファイルを比較する際は、正確なリビジョンを保持し、テスト日時を記録してください。

互換性に関する主張を確認する

あるエントリがプロバイダーやクライアントをまたいで動作すると assume しないでください。メンテナーは、互換性に関する主張を正確に保つよう、コントリビューターに明確に求めています。各ファイルは、文書化されたモデル、ハーネス、指示の適用先に結び付いた実験として扱ってください。

古くなった動作を報告する

エントリが文書どおりに動作しなくなった場合は、モデル、バージョン、影響を受けるファイル、クライアントまたはハーネス、結果の簡潔な説明を添えてIssueを作成してください。この情報は、モデルの変化に合わせてコレクションを最新の状態に保つのに役立ちます。

新しいエントリを投稿する

プルリクエストを歓迎します。リポジトリの投稿原則に従ってください。

  1. 1ファイルにつき1つのプロンプトを使用する。
  2. ファイル名には小文字とハイフンを使用し、スペースは入れない。例：model-name.md。
  3. 要約や抜粋ではなく、そのまま貼り付けて使える完全なプロンプトを含める。
  4. プロンプトを配置する場所（システム欄、AGENTS.md、Modelfile、設定スロット、その他の指示適用先）を説明する。
  5. 重要な改訂には、新しいバージョン付きファイルを作成する。
  6. 実際にテストした互換性のみを記録する。

変更内容はリポジトリのCHANGELOG.mdで追跡されます。詳細な投稿およびセキュリティに関するガイダンスは、プロジェクトリポジトリで確認できます。

まとめ

AI Jailbreaksは、さまざまなモデルやエージェント環境で完全なプロンプト設定を調査するための、体系的な方法を提供します。適切なファイル形式を選び、正しい指示適用先に適用し、隔離環境でテストし、バージョンを慎重に記録することで、モデルの挙動を未サポートまたは安全でないデプロイと混同せずに、プロンプト研究や防御的テストにこのコレクションを利用できます。

研究および教育目的に限ります。適用される法律、プロバイダーの規約、および使用するシステムの安全要件に従ってください。