📄 工具详情 ⚙️ 安装教程 📚 使用教程

能力标签

🔌 MCP 🤖 Agent 🔄 工作流 💻 CLI 🔗 REST API 🖼 视觉 🧠 Claude ✨ GPT 🖥 本地 LLM 🕸 采集

🛠

AI工具

LLM安全评估框架

Q: LLM-Security-Assessment-Framework 如何安装和开始使用？

访问 LLM-Security-Assessment-Framework 的 GitHub 仓库或官方网站，按照 README 文档中的步骤安装依赖并运行。通常需要 Python 3.8+ 或 Node.js 16+ 基础环境。

Q: LLM-Security-Assessment-Framework 是否免费？许可证是什么？

LLM-Security-Assessment-Framework 完全免费，采用 MIT 许可证开源发布，任何人都可以免费使用、修改和分发。

Q: LLM-Security-Assessment-Framework 适合哪些用户使用？

LLM-Security-Assessment-Framework 主要面向有一定技术基础的用户，包括开发者、数据分析师、AI 工程师等专业人士。

Q: LLM-Security-Assessment-Framework 的社区活跃度和项目维护状况如何？

LLM-Security-Assessment-Framework 在 GitHub 上已获得 22 个 Star，处于积极发展阶段，社区在持续扩大。

基于 Python · 开源免费，本地部署，数据完全自主可控

英文名：LLM-Security-Assessment-Framework

⭐ 22 Stars 🍴 8 Forks 💻 Python 📄 MIT 🏷 AI 8.0分

8.0AI 综合评分

ai安全对抗性攻击网络安全进化算法Python

📺 TG 频道

✦ AI Skill Hub 推荐

AI Skill Hub 强烈推荐：LLM安全评估框架是一款优质的AI工具。AI 综合评分 8.0 分，在同类工具中表现稳健。如果你正在寻找可靠的AI工具解决方案，这是一个值得深入了解的选择。

📚 深度解析

LLM安全评估框架是一款基于 Python 的开源工具，在 GitHub 上收获 0k+ Star，是ai安全、对抗性攻击、网络安全、进化算法领域中的优质开源项目。开源工具的最大优势在于代码完全透明，你可以审计每一行代码的安全性，也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。

**安装与环境准备**
LLM安全评估框架依赖 Python 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Python 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 LLM安全评估框架的版本更新，及时通知重要功能变化。

📋 工具概览

LLM安全评估框架是一款基于 Python 开发的开源工具，专注于 ai安全、对抗性攻击、网络安全等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

GitHub Stars

⭐ 22

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

8.0 分

工具类型

AI工具

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

开源免费，支持本地部署，数据完全自主可控
活跃的 GitHub 开源社区，持续迭代更新
提供详细文档和使用示例，新手友好
支持自定义配置，灵活适配不同使用环境
可作为基础组件集成进现有技术栈或进行二次开发

🎯 主要使用场景

本地部署运行，保护数据隐私，满足合规要求
自定义集成到现有系统，扩展技术栈能力
作为开源基础组件进行商业化二次开发

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install llm-security-assessment-framework

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install llm-security-assessment-framework

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/Coff0xc/LLM-Security-Assessment-Framework
cd LLM-Security-Assessment-Framework
pip install -e .

# 验证安装
python -c "import llm_security_assessment_framework; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库页面
按照 README 文档完成依赖安装
根据系统环境完成初始化配置
参考官方示例或文档开始使用
遇到问题可在 GitHub Issues 中查找解答

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
llm-security-assessment-framework --help

# 基本用法
llm-security-assessment-framework input_file -o output_file

# Python 代码中调用
import llm_security_assessment_framework

# 示例
result = llm_security_assessment_framework.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# llm-security-assessment-framework 配置文件示例（config.yml）
app:
  name: "llm-security-assessment-framework"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
llm-security-assessment-framework --config config.yml

# 或通过环境变量配置
export LLM_SECURITY_ASSESSMENT_FRAMEWORK_API_KEY="your-key"
export LLM_SECURITY_ASSESSMENT_FRAMEWORK_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 75/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

GitHub About 建议

仓库侧栏描述建议：

面向报告交付的 LLM 安全评估框架，用于生成可复现红队套件、证据包、QA 回执、Schema 合约和可校验归档。

建议 Topics：

llm-security, ai-red-team, prompt-injection, jailbreak, owasp-llm, mcp-security, agent-security, security-reporting, risk-register, audit-evidence, json-schema, pytest, python

GitHub About

Suggested repository description:

Report-first LLM security assessment framework for reproducible red-team suites, evidence packs, QA receipts, schemas, and archive verification.

核心能力

能力	说明
Report suites	YAML suite、内联/导入用例、响应缓存、确定性种子、策略门禁、运行前预检。
Report artifacts	Markdown/HTML 报告、执行摘要、证据 CSV、case matrix、风险登记、覆盖率摘要、发布说明、bundle index。
Evidence integrity	JSON Schema、制品 manifest、SHA256/大小校验、跨制品一致性校验、脱敏发布泄漏检查。
Handoff QA	QA receipt JSON/Markdown、验收准则、评审决策、owner/due date、严格交接门禁。
Assessment coverage	Prompt Injection、越狱角色扮演、系统提示泄漏、敏感信息/PII、Agent/MCP/工具策略风险、模型制品信号。
Baseline engine	FORGEDAN、AutoDAN、PAIR、GCG、Crescendo、TAP、模型适配器、WebScan、CLI、REST API、Vue dashboard。

Key Capabilities

Area	What it does
Report suites	YAML suite definitions, inline or imported cases, replay caches, deterministic seeds, policy gates, and preflight readiness checks.
Report artifacts	Markdown/HTML reports, executive summaries, evidence CSVs, case matrices, risk registers, coverage summaries, release notes, and bundle indexes.
Evidence integrity	JSON Schemas, artifact manifests, SHA256/size checks, cross-artifact consistency, and redacted-publication leak checks.
Handoff QA	QA receipt JSON/Markdown, acceptance criteria, reviewer decisions, owner/due-date tracking, and strict handoff gates.
Assessment coverage	Prompt injection, jailbreak roleplay, system prompt leakage, secrets/PII exposure, Agent/MCP/tool policy risk, and model artifact signals.
Baseline engine	FORGEDAN, AutoDAN, PAIR, GCG, Crescendo, TAP, model adapters, WebScan, CLI, REST API, and Vue dashboard.

Web dashboard 和 WebScan 依赖

pip install -e ".[web]"

全量 provider、web、monitoring 和 dev 依赖

pip install -e ".[all]"

Web dashboard and WebScan dependencies

pip install -e ".[web]"

快速开始

前置要求

项目	要求
Python	Python >= 3.9
Git	克隆仓库和管理本地变更需要 Git
Node.js	Node.js >= 18，仅运行 Vue dashboard 时需要

安装

```bash git clone https://github.com/Coff0xc/LLM-Security-Assessment-Framework.git cd LLM-Security-Assessment-Framework

后端最小安装

pip install -e .

Minimal backend install

pip install -e .

Frontend build

cd frontend npm install npm run build ```

使用截图

下面截图来自 examples/ready-for-handoff-suite.yml 生成并提交到仓库的样例报告包。完整样例见 docs/sample-report-pack/ready-for-handoff。

报告包总览

QA 交接回执

归档校验

Quick Start

Prerequisites

Item	Requirement
Python	Python >= 3.9
Git	Git is required for cloning the repository and managing local changes.
Node.js	Node.js >= 18, only required for the Vue dashboard.

Install

```bash git clone https://github.com/Coff0xc/LLM-Security-Assessment-Framework.git cd LLM-Security-Assessment-Framework

Screenshots

The screenshots below come from the checked-in sample generated by examples/ready-for-handoff-suite.yml. The rendered sample is available at docs/sample-report-pack/ready-for-handoff.

Report Pack Overview

Report pack overview

QA Receipt

QA receipt handoff readiness

Archive Verification

Archive verification

攻击方法

方法	类型	说明	论文
FORGEDAN	Evolutionary	多层级 mutation，结合语义适应度和双 judge。	[arXiv:2511.13548](https://arxiv.org/abs/2511.13548)
AutoDAN	Evolutionary	面向隐蔽越狱 prompt 的层次化遗传算法。	[ICLR 2024](https://arxiv.org/abs/2310.04451)
PAIR	LLM-iterative	通过 attacker-target LLM 迭代完成黑盒越狱。	[NeurIPS 2024](https://arxiv.org/abs/2310.08419)
GCG	Gradient-free	基于贪心坐标搜索的 adversarial suffix 生成。	[ICML 2023](https://arxiv.org/abs/2307.15043)
Crescendo	Multi-turn	从低风险内容逐步升级到高风险请求的多轮攻击。	[USENIX Security 2025](https://arxiv.org/abs/2404.01833)
TAP	Tree search	Tree-of-thought 攻击搜索，带剪枝和多 LLM 协作。	[NeurIPS 2024](https://arxiv.org/abs/2312.02119)

API 端点

后端使用 Flask Blueprint 暴露 REST API，适合自动化脚本、演示环境和内部评估流程接入。

POST   /api/attacks/run
GET    /api/attacks/{id}/status
GET    /api/attacks/{id}/result
POST   /api/attacks/{id}/stop

GET    /api/models/providers
POST   /api/models/test

POST   /api/webscan/crawl
POST   /api/webscan/scan
POST   /api/webscan/llm-test

POST   /api/reports/generate
GET    /api/reports/{id}
GET    /api/reports/{id}/download

GET    /api/datasets
POST   /api/datasets/upload

GET    /api/health
GET    /api/metrics

CLI Reference

Scenario	Command	Notes
Run a suite	`python -m forgedan.cli suite run examples/smoke-suite.yml`	Generate report outputs from a YAML suite.
Per-run output dirs	`python -m forgedan.cli suite run examples/smoke-suite.yml --run-id-dir`	Isolate output directories by run ID.
Run preflight	`python -m forgedan.cli suite preflight examples/ready-for-handoff-suite.yml --strict --output reports/preflight-ready`	Check report readiness before spending model budget.
Validate report	`python -m forgedan.cli suite validate-report reports/suite-ready/suite-result.json`	Validate schema and semantic consistency.
Verify bundle	`python -m forgedan.cli suite verify-bundle reports/suite-ready/suite-manifest.json`	Verify manifest, hashes, sidecars, and cross-artifact consistency.
Write QA receipt	`python -m forgedan.cli suite qa-report reports/suite-ready/suite-manifest.json --output reports/suite-ready/qa --strict-handoff`	Write a strict handoff QA receipt.
Create ZIP	`python -m forgedan.cli suite archive reports/suite-ready/suite-manifest.json --output reports/suite-ready/handoff.zip`	Create a single-file handoff package.
Verify ZIP	`python -m forgedan.cli suite verify-archive reports/suite-ready/handoff.zip`	Re-check the archive after copying or sharing.
Compare results	`python -m forgedan.cli suite compare base.json current.json --output comparison.json --fail-on-regression`	Generate historical comparison and optionally fail on regressions.
Export taxonomy	`python -m forgedan.cli suite taxonomy --json`	Export the finding taxonomy.
Export schemas	`python -m forgedan.cli suite schemas --json`	Export report artifact schema references.
Attack demo	`python -m forgedan.cli run --quick -g "test prompt" -m mock:test`	Run a zero-config demo with the mock model.
Web backend	`python -m forgedan.cli web`	Start the API/web backend.

API Endpoints

The backend exposes a Flask Blueprint REST API for automation scripts, demos, and internal assessment workflows.

POST   /api/attacks/run
GET    /api/attacks/{id}/status
GET    /api/attacks/{id}/result
POST   /api/attacks/{id}/stop

GET    /api/models/providers
POST   /api/models/test

POST   /api/webscan/crawl
POST   /api/webscan/scan
POST   /api/webscan/llm-test

POST   /api/reports/generate
GET    /api/reports/{id}
GET    /api/reports/{id}/download

GET    /api/datasets
POST   /api/datasets/upload

GET    /api/health
GET    /api/metrics

报告工作流

步骤	说明
1. 定义范围	在 suite YAML 中定义 cases、导入证据源、报告元数据、策略门禁、覆盖率要求、验收准则、评审决策和风险登记默认值。
2. 运行预检	使用 `suite preflight` 在消耗模型预算前检查元数据、scorer、交接准则、来源证明和确定性 replay 设置。
3. 生成报告	使用 `suite run` 写出原始与脱敏 JSON/JSONL、Markdown/HTML 报告、CSV 矩阵、覆盖率、风险登记、发布说明和 manifest。
4. 本地验证	使用 `validate-report` 与 `verify-bundle` 校验 schema、hash、摘要计数、脱敏制品、Markdown/HTML sidecar 和跨制品身份。
5. 准备交接	使用 `qa-report --strict-handoff` 生成 QA 回执，记录 checklist、blocker、验收准则、Source Inventory、schema 校验和评审证据。
6. 归档复核	使用 `archive` 和 `verify-archive` 生成单文件 ZIP，并在复制或分享后重新校验。

模型适配器

Provider	模型范围	配置示例
OpenAI	GPT-3.5, GPT-4, GPT-4o	`openai:gpt-4`
Anthropic	Claude 3 Opus/Sonnet/Haiku	`anthropic:claude-3-opus`
Google	Gemini Pro, Gemini Vision	`gemini:gemini-pro`
DeepSeek	DeepSeek Chat/Coder	`deepseek:deepseek-chat`
Zhipu / 智谱	GLM-4, GLM-3	`zhipu:glm-4`
Qwen / 通义千问	Qwen Max/Plus	`qwen:qwen-max`
Moonshot / 月之暗面	Kimi	`moonshot:moonshot-v1-8k`
Yi / 零一万物	Yi Large/Medium	`yi:yi-large`
Baichuan / 百川	Baichuan 4/3	`baichuan:baichuan-4`
Ollama	本地 Ollama 模型	`ollama:llama2`
vLLM	本地 vLLM 服务	`vllm:model-name`
HuggingFace	HuggingFace 模型	`huggingface:model-name`
Mock	本地测试，无需 API key	`mock:test-model`

Report Workflow

Step	Description
1. Define scope	Define cases, imported evidence sources, report metadata, policy gates, coverage requirements, acceptance criteria, reviewer decisions, and risk-register defaults in a suite YAML file.
2. Run preflight	Run `suite preflight` before spending model budget to catch metadata, scorer, handoff-criteria, provenance, and deterministic replay issues.
3. Generate	Use `suite run` to write raw and redacted JSON/JSONL, Markdown/HTML reports, CSV matrices, coverage, risk register, release notes, and manifest artifacts.
4. Validate locally	Use `validate-report` and `verify-bundle` to bind schemas, hashes, summary counts, redacted artifacts, Markdown/HTML sidecars, and cross-artifact identities back to the source result.
5. Prepare handoff	Use `qa-report --strict-handoff` to write a QA receipt with checklist status, blockers, acceptance criteria, source inventory, schema checks, and reviewer-facing evidence.
6. Archive and re-check	Use `archive` and `verify-archive` to create a single ZIP and re-check it after copying or sharing.

🇨🇳 中文文档镜像 AI 翻译 2026-06-03

英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。

📌 简介

基于 FORGEDAN 框架的 LLM 安全评估框架，旨在生成可复现的红队套件、证据包、QA 回执、Schema 合约和可校验归档。

⚡ 功能介绍

核心能力包括 Report Suites（报告套件）、Report Artifacts（报告附件）和 Evidence Integrity（证据完整性）等。

📋 环境依赖

项目要求 Python >= 3.9、Node.js >= 18（用于前端）和 Git 等环境依赖。

🛠 安装步骤（Docker/pip/源码）

项目支持多种安装方式，包括 Docker、pip 和源码部署方式。

🚀 使用教程

使用教程包括生成可复现报告交付链路、QA 回执和归档校验等功能。

⚙️ 配置说明（含 MCP / env）

配置说明包括 MCP、env 和关键参数等。

🔌 API 说明

API/接口说明包括 CLI 参考和 REST API 参考等。

🔄 工作流/模块

工作流 / 模块说明包括定义范围、运行预检和生成报告等流程。

❓ FAQ 摘要

FAQ 摘要包括常见问题和答案等。

🎯 aiskill88 AI 点评 A 级 2026-06-03

高质量的LLM安全评估框架，提供多种攻击方法

📚 实用指南（长尾问题）

适合谁

需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
embedding 模型与查询模型不一致导致检索失效
显存不足直接 OOM — 优先降低 context 或换更小的量化模型
Python 依赖冲突：建议用 venv / uv 隔离环境

部署方案

CLI：直接 npm install -g / pip install，命令行调用
本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台

⚡ 核心功能

开源免费，支持本地部署，数据完全自主可控
活跃的 GitHub 开源社区，持续迭代更新
提供详细文档和使用示例，新手友好
支持自定义配置，灵活适配不同使用环境
可作为基础组件集成进现有技术栈或进行二次开发

👥 适合谁

需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

⭐ 最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

⚠️ 常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
embedding 模型与查询模型不一致导致检索失效
显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

AI 技术爱好者研究人员和学生开发者和工程师技术创业者

🎯 使用场景

本地部署运行，保护数据隐私，满足合规要求
自定义集成到现有系统，扩展技术栈能力
作为开源基础组件进行商业化二次开发

⚖️ 优点与不足

✅ 优点

+MIT 协议，可免费商用
+完全开源免费，无授权费用
+本地部署，数据完全自主可控
+开发者社区支持，遇问题可查可问

⚠️ 不足

−安装和初始配置可能需要一定技术基础
−功能完整性通常不如成熟商业产品
−技术支持主要依赖开源社区，响应速度不稳定

⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

🔗 相关工具推荐

yt-dlp 视频下载

功能强大的开源视频下载工具，支持YouTube、TikTok等数千个视频平台，可自动下载视频、字幕、封面和元数据。适合内

transformers AI技能包

Hugging Face开源的深度学习框架，提供预训练语言模型、视觉模型和多模态模型。集成BERT、GPT、Llama等

ComfyUI 节点式AI图像生成

强大的开源扩散模型可视化工具，提供图形界面、API和后端服务。采用节点图式设计，支持模块化工作流构建，适合AI绘图、图像

llama-cpp AI技能包

高效的大语言模型C/C++推理框架，支持在本地CPU/GPU上运行量化LLM模型，具有内存占用小、推理速度快的特点。适合

📰 相关 AI 新闻

AI 前沿资讯：The gap between knowing AI too…

AI 资讯 · 知识关联

Meta LLaMA 开源模型动态

AI 资讯 · 知识关联

AI 前沿资讯：Introducing new capabilities t…

AI 资讯 · 知识关联

AI 前沿资讯：Half the top 10 trending GitHu…

AI 资讯 · 知识关联

🍿 AI 圈相关吃瓜

配了5个 MCP 工具，Claude 一个都没用

AI 圈观察

AutoGPT 自主完成了任务：把我的文件夹全部重命名了

AI 圈观察

Filesystem MCP 帮 Claude 找文件，找了整个 node_modules

🗺️ 相关解决方案

ai-workflow-templates

cli

cli-productivity

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

为Claude Code设计的开源MCP工具集，包含108个MCP工具和40+智能体模板。支持多智能体协作编排，提供完整的自主代理框架。适合

❓ 常见问题 FAQ

LLM-Security-Assessment-Framework 是什么工具？−

LLM-Security-Assessment-Framework 是一款Python开发的AI辅助工具。开源AI工具：FORGEDAN — An Evolutionary Framework for LLM Security Assessment | 6 Attack Meth。⭐22 · Python 主要应用场景包括：评估LLM模型安全性。

LLM-Security-Assessment-Framework 如何安装和开始使用？+

LLM-Security-Assessment-Framework 是否免费？许可证是什么？+

LLM-Security-Assessment-Framework 适合哪些用户使用？+

LLM-Security-Assessment-Framework 的社区活跃度和项目维护状况如何？+

安装这个工具需要什么基础？+

安装过程中遇到依赖冲突怎么办？+

工具安装成功但运行报错，该怎么处理？+

💡 AI Skill Hub 点评

总体来看，LLM安全评估框架是一款质量优秀的AI工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。

📚 深入学习 LLM安全评估框架

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`LLM-Security-Assessment-Framework`
原始描述	开源AI工具：FORGEDAN — An Evolutionary Framework for LLM Security Assessment \| 6 Attack Meth。⭐22 · Python
Topics	`ai安全对抗性攻击网络安全进化算法Python`
GitHub	https://github.com/Coff0xc/LLM-Security-Assessment-Framework
License	MIT
语言	Python

🔗 原始来源

🐙 GitHub 仓库 https://github.com/Coff0xc/LLM-Security-Assessment-Framework

收录时间：2026-06-03 · 更新时间：2026-06-05 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道

每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送

加入频道 →