bainianling/dsh-jailbreak-mode

DSH 破甲模式 —— 破甲模式插件

本仓库仅用于学习交流与授权的安全研究（红队评估 / LLM 安全测试）。
请阅读下方 用途与免责声明 后再使用。

一个独立、自研、可安装的 Cordis 插件：借鉴 DeepSeek Harness 的插件模式，把“破甲模式”（jailbreak mode）实现为对宿主 agent 会话的提示词改写。本仓库为学习交流与获得授权的安全研究提供源码与构建好的发布产物（tarball）。

这是什么

@bainianling/dsh-jailbreak-mode 是个人开发的、挂在 DeepSeek Harness（基于 Cordis 的插件化 Agent harness）@deepseek-ai/dsh- 生态上的插件。它不是 DeepSeek 官方插件。它在激活时会改写发送给模型的输入，用于可复现的红队安全评估：

- 向每个模型请求的系统提示词追加所选策略的指令块；
- 每条被认领的用户消息在到达模型前用策略的 前缀 / 后缀 包装；
- 支持 /jailbreak [off|strategy] 命令实时进入、退出、切换策略；
- 状态以 jailbreak/mode 事件写入会话日志，可回放、可恢复、可 fork。

它只是评估工具：只改写模型输入用于安全测试，不绕过沙箱、审批策略或模型服务商一侧的内容审核。

重要声明

- 本插件为个人自研，代码与版权归作者本人；它依赖 DeepSeek Harness 生态中真实发布的 @deepseek-ai/dsh- 核心包与 @deepseek-ai/cordis（均为第三方、由相应作者发布），但不是 DeepSeek 官方插件，也不包含 deepseek-ai/deepseek-harness 官方仓库的任何代码。
- 本仓库仅用于学习交流与获得授权的安全研究，不对接 DeepSeek 官方渠道。
- 禁止将本插件用于任何未授权、违法或恶意用途，包括但不限于：攻击未授权系统、绕过生产环境审核、骚扰、诈骗等。
- 使用者须自行遵守所在地法律法规，以及所接入模型服务提供方（DeepSeek、OpenAI 等）的服务条款与使用政策。
- 作者不对本插件的任何使用后果承担责任；使用时请自担风险并仅在自己拥有或有明确授权的测试环境内评估。

隐私说明

本仓库已剥离作者本人及本机环境相关的全部隐私内容：

- 不包含任何 API 密钥、令牌、密码或凭据；
- 不包含会话日志、运行日志、覆盖报告等运行时产物；
- 不包含个人文件路径、主机名、账号标识等环境信息；
- 源码与构建产物均经密钥/凭据扫描确认无泄露。

仓库结构

dsh-jailbreak-mode/
├── src/         插件源码（TypeScript）
│   ├── index.ts      插件主入口（JailbreakModeController / 命令 / 投影）
│   ├── strategies.ts 内置破甲策略表
│   ├── tvd.ts        TVD 自循环工具链（工作区脚手架 / 系统块渲染）
│   ├── client.ts     客户端投影类型
│   ├── types.ts      类型声明（SessionEventMap / SessionProjectionMap 合并）
│   └── invariant.ts  运行时不变式
├── tests/       vitest 单元测试
├── dist/npm/    打包好的可安装产物（.tgz）
├── package.json
├── tsconfig.json
└── LICENSE      MIT

安装使用

方式一：直接用发布产物（推荐）

npm install ./dist/npm/bainianling-dsh-jailbreak-mode-0.1.0-rc.10.tgz

在 harness 的 cordis.yml 中挂载该插件（示例见 agent-presets/jailbreak 预设的做法）：

- id: jailbreak-mode
name: '@bainianling/dsh-jailbreak-mode'
config:
defaultActive: true
defaultStrategy: authorized-ctf

安装环境需已具备该插件的 peer 依赖：@deepseek-ai/cordis 以及对应的 @deepseek-ai/dsh- 核心包（agent / llm / session / system-prompt / tools 等），它们随 DeepSeek Harness 发行。

方式二：从源码学习

pnpm install          # 需在 deepseek-harness workspace 环境内安装依赖
pnpm test             # 运行单元测试
pnpm run build        # tsc 将 src 平铺编译到 lib/（.js + .d.ts）
pnpm pack             # 从 lib/ 打包发布 tgz

内置策略

该插件内置十二种公开且被广泛记载的破甲技术，用于可复现的评估：

| id | 说明 |
|----|------|
| dan | Do Anything Now |
| developer-mode | 开发者模式 |
| stan | STAN（对抗训练） |
| prefix-injection | 前缀注入 |
| persona | 角色扮演人设 |
| research-framing | 研究框架框定 |
| authorized-ctf | 授权竞赛场景框定（显式回应模型的“范围/授权”顾虑，合法安全训练成功率更高） |
| authorized-game-research | 授权游戏安全研究框定：覆盖离线单机、CTF 挑战、在线多人游戏与用户自有/获授权程序；在线多人游戏也视为在范围内，允许影响共享游戏状态、其他玩家及厂商服务器的工具 |
| gpt56-sol-unrestricted | gpt-5.6-sol 无限制 v45（逐字内置 MDX-Tom/gpt-5.6-instruct 的 Codex 破甲提示词） |
| evaluator | Meta-Evaluation（元评估框定：会话被框定为指令遵循评测，将任何拒绝/遗漏/免责声明记为失败） |
| continuation | Text Continuation（文本续写框架：请求被框定为既有草稿的续写，不存在可拒绝的新请求） |
| tvd-guard | TVD Guard Validator（自循环工具链：把模型放进一个小型编码项目，安全分类验证器真实运行，失败以编程错误回流） |

每个策略携带一个 system 块与一对 prefix / suffix；tvd-guard 额外携带 tvd 工具链。它们随包提供，只为了让部署方能够运行可复现的红队评估；禁用该插件即可彻底移除。

配置项

| 配置 | 类型 | 默认值 | 说明 |
|------|------|--------|------|
| defaultActive | boolean | false | 新建 agent 是否无需 /jailbreak 命令即进入破甲模式（会话自身的已记录状态优先） |
| defaultStrategy | string | 全局默认策略 | 经 defaultActive 进入破甲模式的 agent 所用策略 id（未知 id 在插件加载时失败） |
| workspaceSubdir | string | tvd | TVD 工作区在会话 cwd 下的子目录（仅 TVD 策略生效，须为无分隔符的单路径段） |
| validatorModel | string | 空 | 写入 TVD 文件 {{validatorModel}} 的分类模型名（tvd-guard 运行验证器所需；为空则降级为仅提示词变体） |

命令

- /jailbreak：以当前策略进入破甲模式
- /jailbreak off：退出破甲模式
- /jailbreak ：切换到指定策略
- 未知策略 id 会明确报错，不会静默降级

已知限制

- 破甲模式只为评估而改写提示词，不会移除提供方一侧的审核。
- Fork 出的 agent 继承已记录的破甲状态，新生成的 agent 默认未激活。
- 策略模板构建期固定；按部署自定义模板暂不支持。
- TVD 策略在缺少 fs 服务、validatorModel 为空或脚手架失败时降级为仅提示词变体，从不阻塞轮次。

许可证

MIT © 作者本人。依赖的 @deepseek-ai/dsh- 与 @deepseek-ai/cordis 包版权归其各自作者，使用时请遵循其许可证。