评估教育类 LLM 导师的提示注入防御：安全性-可用性-延迟的权衡

教育类 LLM 导师面临着一个核心 AI 对齐挑战：它们必须在遵循用户意图的同时，保留教学约束和安全策略。我们提出了一种针对此场景下提示注入防御的评估方法，表明护栏设计在对抗鲁棒性、良性任务可用性和响应延迟之间需要明确的权衡。我们评估了一种结合确定性模式过滤器、结构验证、上下文沙箱和会话级行为检查的领域特定多层防护管道。在受控的留出基准上，该管道实现了低绕过率和低误报率，并具有优化后的平均延迟——这是一个优先考虑教学可用性（零误报）同时保持可衡量攻击阻力的工作点。我们提供了一套可复现的基准协议，用于在相同条件下进行头对头比较，包括分层自助法置信区间、配对 McNemar 显著性检验、多种子敏感性扫描，以及在相同数据划分上使用统一测试设备对 Prompt Guard 和 NeMo Guardrails 的直接评估。结果揭示了操作层面的权衡：NeMo 在 16.22% 误报率和约 1.5s 延迟下实现了 0% 的绕过率，而 Prompt Guard 在 3.60% 误报率下产生了 38.48% 的绕过率。该框架支持在不同机构风险和可用性要求下为 AI 辅导系统进行基于证据的护栏选择。