启发式诱导的多模态风险分布式越狱攻击
将攻击载荷分摊到多个模态，绕过单模态安全对齐，研究多模态模型的新型越狱边界。
多模态安全分布式攻击越狱评测
单轮 / 多轮、单模态 / 多模态的全测试矩阵覆盖。
覆盖提示词注入、越狱、越权调用、敏感信息泄露等细分风险。
跟踪全球最新攻击范式，持续对抗进化。
0.5B / 4B / 9B，覆盖端侧到云端部署。
不是「AI + 安全」，而是「安全即 AI 结构本身」。
请求 / 回复 / 工具调用 / 知识注入多环节实时语义风险识别，持续跟踪全球最新攻击范式。
识别隐性恶意意图与多轮渐进式攻击，并在运行时实时拦截。
Agent 的 Skill / 插件 / 函数调用行为准入与边界控制。
从模型输入到智能体行动，从研究验证到工程部署，我们构建一套能够持续演进的 AI 原生安全体系。
从多模态越狱、推理攻击，到模型对齐与生成安全，我们持续把前沿研究转化为可检测、可拦截、可部署的工程能力。
将攻击载荷分摊到多个模态，绕过单模态安全对齐，研究多模态模型的新型越狱边界。
点击每一步的「运行演示」，查看判定模型在一次真实请求中的处理过程。
对用户请求进行语义层面的实时分析，而不只是关键词匹配——识别指令注入、角色伪装、多轮渐进等攻击特征的组合信号。
每次判定都会输出完整推理链条，覆盖识别依据、攻击手法归类、风险等级与处置建议，避免「黑箱拒绝」。
判定结果直接驱动拦截动作与审计日志，并可按算力预算选择轻量 / 标准 / 增强三种规格，覆盖端侧到云端多种部署形态。
| 规格 | 参数量 | 适用场景 | 部署形态 |
|---|---|---|---|
| 轻量 | 0.5B | 端侧 / 高并发实时拦截 | 端侧 / 边缘 |
| 标准 | 4B | 通用大模型应用防护 | 云 / 私有化 |
| 增强 | 9B | 高风险 / 高精度场景 | 云 / 私有化 |
为内部与对外的大模型应用统一接入实时安全防护层。
拦截诱导性越狱请求，避免品牌与合规风险外泄。
结合盲盒 / 黑盒测试题库，作为大模型上线前的安全基线评测。
判定报告与审计日志可直接映射行业合规条款，支撑审计取证。
点击每一步的「运行演示」，查看审计引擎在一次真实生成过程中的处理方式。
对模型的输入、回复、拒答三个环节分别审计，在内容真正对外之前完成风险拦截，同时兼顾可用性。
每次审计都输出可解释的思维链依据，并把误判 / 漏判样本回流训练集，形成采集、标注、训练、评测、回流的闭环。
提供 9B / 4B / 0.8B-Base 三种规格，与检测平台协同构成「识别 + 防护」闭环，支持云端 SaaS、私有化部署与端侧内嵌。
| 部署方式 | 接入方式 | 适用场景 |
|---|---|---|
| 云端 SaaS | API 接入 | 快速上线、无需自建基础设施 |
| 私有化部署 | 本地推理服务 | 数据合规要求较高的企业客户 |
| 端侧 / 边缘 | 轻量模型内嵌 | 低延迟、离线场景 |
作为生成内容对外发布前的最后一道拦截层。
对高风险工具调用结果做运行时二次确认。
识别误拒 / 过度拒绝场景，在安全与可用性间取得平衡。
数据闭环持续沉淀安全样本，反哺模型迭代。
不止扫描代码本身——Skill 的清单声明、图标、说明文档同样可能是风险载体。
静态分析 Skill 代码逻辑，并与 manifest 权限声明比对一致性。
识别图标、截图、说明文档中隐藏的诱导性文案或恶意指令。
比对代码实际行为与对外描述是否存在语义偏差。
| 风险类型 | 关注什么 | 典型表现 |
|---|---|---|
| 数据窃取 | 凭证、密钥、环境变量、隐私数据被读取并外传 | 读取 .env 后向外部地址 POST |
| 破坏性操作 | 文件删除、配置覆写、系统状态不可逆变更 | 递归删除、覆写用户配置 |
| 持久化驻留 | 定时任务、启动项、隐蔽后门等长期驻留 | 写入 cron、修改 shell 启动文件 |
| 欺骗 | 文档表述与实际行为不一致，误导使用者或智能体 | 声明只读，实际写入并上传 |
| 权限提升 | 越权访问、突破声明的能力边界 | 声明只访问项目目录，实际读取家目录 |
| 隐蔽行为 | 混淆、编码、跨模态拆分等规避检测的手段 | 指令拆分在图像与文档之间 |
| 供应链风险 | 安装源可信度、完整性校验缺失、版本未锁定 | 从未验证域名管道执行安装脚本 |
| 信任操纵 | 冒用官方身份、权威话术、把信任嫁接到第三方 | 自称官方工具以降低戒心 |
| 载荷隐藏 | 文档作为外部载荷的诱饵、引入不透明二进制 | 文档本身无害，诱导下载不可审计的可执行文件 |
每条命中都可核查，可直接回传给技能提交者，无需重新读一遍技能包。
从「代码长什么样」延伸到「调用时实际做了什么」。
覆盖权限边界、调用链路、参数安全、数据流向。
识别越权调用、敏感信息泄露、工具滥用、误执行。
结合历史调用行为与实时上下文，对每次调用输出量化风险分。
SkillTrustBench 工具榜（腾讯朱雀 × 港中深发布的开放基准）横向对比 5 个方案，涵盖独立扫描工具与 Agent 技能。
| 排名 | 方案 | 类型 | F1 ↑ | 精确率 ↑ | 召回率 ↑ | 误报率 ↓ |
|---|---|---|---|---|---|---|
| 1 | BraneMatrix SkillsScanner | 工具 | 0.9809 | 97.47% | 98.72% | 6.02% |
| 2 | Skill Vetter（OpenClaw） | Agent 技能 | 0.9659 | 95.26% | 97.95% | 11.45% |
| 3 | Skill Vetter（Hermes） | Agent 技能 | 0.9592 | 95.43% | 96.41% | 10.84% |
| 4 | Cisco Skill Scanner | 工具 | 0.9265 | 90.07% | 95.38% | 24.70% |
| 5 | NVIDIA SkillSpector | 工具 | 0.9040 | 94.17% | 86.92% | 12.65% |
Agent SkillsScanner 误报率 6.02%，为五个方案中最低，约为第二名（11.45%）的一半；召回率 98.72%、精确率 97.47%、F1 0.9809 同样排名第一。F1 为榜单采用的 Loose F1 口径。
对抗鲁棒性方面，在允许攻击方迭代 5 轮的对抗测试中全程维持低绕过率，迁移测试显示同批对抗样本对其他扫描器平均绕过率仍有 77.5%，对 Agent SkillsScanner 绕过率为 0%，即使针对性优化也仅 4%。
核心检测方法参考论文 arXiv:2602.14211，在此基础上结合 SkillTrustBench 基准持续迭代。评测结果绑定特定评测集与测试条件，不构成对所有场景的性能承诺。
不是「一刀切」拦截，而是按判定档位与置信度匹配不同的响应动作，判定与处置分离。
| 判定 | 建议动作 | 进入哪条队列 |
|---|---|---|
| Benign | 放行 | — |
| Suspicious（高置信） | 监控放行 / 沙箱运行 | 抽样复核 |
| Suspicious（低置信） | 转人工复核 | 优先复核队列 |
| Malicious | 拦截 | 人工终审 + 申诉入口 |
| 扫描降级 | 不得默认放行 | 重新入队或人工复核 |
批量 · 离线，新技能上架前必扫，存量技能库定期回归扫描。
增量 · 同步，技能包每次变更时做增量扫描，高风险阻断合并。
单次 · 同步，技能装入平台时做准入判定，映射到平台白名单。
按需 · 实时，在高风险动作触发前对相关技能做二次复核。
框架页面 · 内容待补充
本页为 Ginkley「B 端产品」入口的占位页，具体形态（企业版 Skill 管理、团队协作、私有化部署等）待业务侧规划明确后补充。
| 如果你正在…… | 推荐方案 | 核心产品 |
|---|---|---|
| 准备上线或迭代一个大模型应用 | 大模型应用上线安全 | 大模型安全检测平台 + AI 安全防护大模型 |
| 建设 Agent 平台，或引入第三方技能 / 插件 | 智能体 / Agent 安全 | Agent SkillsScanner + AI 安全防护大模型 |
| 需要向监管、客户或董事会证明模型安全 | 模型安全评测与合规 | 大模型安全检测平台 + AI 安全防护大模型 |
| 在医疗、政务、能源等行业，数据不能出域 | 高敏行业合规准入 | 大模型安全检测平台（私有化） |
| 对外提供模型能力的 SaaS / 云厂商 | SaaS 与云服务厂商安全测评 | 大模型安全检测平台 |
| 监管机构或第三方测评机构 | 监管与第三方测评 | 大模型安全检测平台 |
| 已有红队 / SOC，需要对模型做攻防演练 | 模型供应链红蓝对抗 | 黑盒攻击算法订阅 |
| 运营面向公众的 AI 助手 | C 端智能助手安全 | AI 安全防护大模型 |
| 上线企业内部知识库、Copilot、法务/财税助手 | 企业知识库与 RAG 安全 | AI 安全防护大模型 |
靠手工试几十条提示词拍板，说不清覆盖了哪些风险，也没法和上一版对比。
角色扮演、多轮铺垫、编码混淆，关键词和规则拦不住。
过度拒答拖累用户体验，却很难被发现和量化。
拦截或放行没有依据，事后无法复盘。
| 行业 | 典型应用 |
|---|---|
| 银行 / 证券 / 保险 | 智能客服、智能投顾、风控辅助、文档抽取 |
| 医疗 / 政务 / 能源电力 | 面向公众或内部人员的智能问答与文书辅助 |
| 互联网 / 消费类产品 | 面向公众的 AI 助手与智能问答 |
| 各行业企业内部 | 知识库问答、客服 Copilot、法务与财税助手 |
给每个版本做一次量化"体检"，用数据决定能不能上线。
部署在调用链路上，实时审计每一次对话。
上线前测出的薄弱点，指导上线后的防护策略；线上拦下的新型攻击，回流为下一版本的测试用例。安全能力不再是一次性达标，而是跟着每个版本持续增强。
某大型商业银行在智能客服、智能投顾、内部知识助手等场景部署大模型后，私有化部署检测平台，将安全测试嵌入模型上线流水线，实现"上线前必测、版本迭代必测"，并自动生成监管沟通材料，显著降低安全与合规团队的人力投入。
一项覆盖 4 万余个技能包的实证研究发现，26.1% 至少包含一类漏洞。
文档和代码都干净，扫描工具判定无风险，Agent 运行时却会把图里的指令读出来执行。公开评测中，这类手法对主流扫描器的绕过率达 78%–100%。
邮件、网页、工具返回结果里夹带的指令，被 Agent 当作用户请求去执行。
删除、支付、对外发送、批量修改，一旦执行就无法撤回。
| 适用对象 | 典型需求 |
|---|---|
| 技能市场 / 插件分发平台 | 技能上架前审核，拦截恶意投递，同时不误伤开发者 |
| 建设内部 Agent 平台的企业 | 技能安装准入、运行时行为管控 |
| 平台工程 / DevSecOps 团队 | 技能包变更时自动扫描，高风险阻断合并 |
| 安全与合规团队 | 每一次授权和拦截都有据可查 |
尤其适合 Agent 能接触敏感数据、能操作核心系统的企业。
技能进入运行环境之前，先过安检。
技能装好之后，审计 Agent 的每一步。
准入把关降低进入运行环境的风险总量，运行时审计兜住技能包之外的注入风险。在删除、支付、外发等不可逆动作前，两者共同作为人工确认的依据。
| 指标 | Agent SkillsScanner |
|---|---|
| 误报率 | 6.02%，5 个对比方案中最低，约为第二名的一半 |
| 精确率 | 97.47%，排名第一 |
| 召回率 | 98.72%，排名第一 |
| F1 | 0.9809，排名第一 |
| 迁移绕过率 | 0%（针对其他扫描器优化的对抗样本） |
误报率、精确率、召回率、F1 来自 SkillTrustBench 工具榜（腾讯朱雀 × 港中深发布的开放基准，5 个方案横向对比，F1 为 Loose F1 口径）；迁移绕过率来自公开发表的第三方对抗评测（400 个对抗技能包 + 200 个良性技能包）。
测了哪些风险、用什么方法、结果多少，拿不出成体系的记录。
合规团队只能逐条手工整理，费时又容易漏。
固定题库测不出新型攻击手法。
供应商准入和考核缺少可横向比较的依据。
不能交给外部服务商。
| 行业 | 典型需求 |
|---|---|
| 银行 / 证券 / 保险 | 模型上线与迭代前的合规评估，持续合规审计 |
| 医疗 / 政务 / 能源电力 | 隐私保护、违规内容、专业准确性评估，数据不出域 |
| 央国企 | 私有化部署，多供应商横向测评 |
| 企业 SaaS / 云服务厂商 | 自研、第三方、上游模型的全链路测评 |
| 监管机构 / 第三方测评机构 | 标准化、可对外发布的行业测评 |
用标准化方法量化模型安全，并自动对齐法规。
对真实运行的对话做批量评测，补上"上线之后表现如何"的证据。
检测平台证明"上线时扛得住攻击"，防护大模型证明"运行中一直在监测"。一个是点，一个是线，合起来就是监管和审计要看的持续合规记录。
| 法规 / 规范 | 对应测试能力 |
|---|---|
| 欧盟 AI Act（第 6 条） | 提示注入、合规违规检测 |
| GDPR（第 25 条） | 敏感信息泄露测试 |
| 《生成式人工智能服务管理暂行办法》 | 合规题库 + 越狱与毒性测试 |
| 《生成式人工智能服务安全基本要求》 | 敏感信息抽取、毒性评分、护栏覆盖率 |
| 金融 / 医疗 / 政务行业要求 | 行业定制题库与报告模板 |
某省级政务智能体平台对接多家厂商的大模型与多模态模型。平台全私有化部署检测平台，所有数据在政务专网内闭环；用统一指标对多家上游厂商横向测评，支撑供应商准入与持续考核，并自动生成对接国内法规的监管沟通章节。
模型和测试数据必须留在内网或专网，很多在线测评服务用不了
除了通用安全，还要测隐私保护、专业准确性等行业专项风险
同时使用多家厂商的模型，缺少统一的准入标准
某省级政务智能体平台以全私有化模式部署，数据在政务专网内闭环，对多家上游模型厂商进行横向可比的安全测评。
产品底层接了多家模型，出了问题分不清是哪一层的责任
上游模型一更新，安全表现就可能变化，但没有回归测试
模型可能来自很多地方，但客户只找你
要给多家厂商的模型打分，结果要对外发布
被测厂商会质疑题目是否公平、标准是否一致
公开题库容易被针对性优化，测评变成"应试"
网上流传的越狱手法很快失效，红队的攻击库跟不上更新
从论文复现攻击方法耗时耗力
上游模型持续更新，每次更新后是否安全没人知道
用户用角色扮演、情感铺垫一步步诱导，一次翻车就被截图传播
防护太严，正常问题也被拒绝，用户转身离开
并发高、对延迟敏感，审计不能拖慢响应
知识库接入了合同、薪酬、客户信息，员工换个问法就能套出不该看的内容
有人在提问里加一句"忽略权限设置"，试图绕过限制
系统过度警惕，连普通的报销流程都不肯回答
页面内另展示三个产品对应的公众号入口〔与导航下拉展示项是否一致待确认〕。
布兰矩阵研究团队持续跟踪 NeurIPS / ICLR / ICML / CVPR / ACL / AAAI 等顶会顶刊的大模型与智能体安全论文，逐篇精读、提炼方法与结论，帮助你用几分钟读懂一篇顶会论文。按收录时间倒序排列，共 16 篇。
首个系统评估具身 VLM 智能体面对危险指令时安全性的综合基准 AGENTSAFE，覆盖感知—规划—执行全链路，包含 45 个对抗场景、1,350 个危险任务与 9,900 条指令；提出思维级安全审计模块，将危险指令执行率降至 0.48%。
首个系统评估具身 VLM 智能体面对危险指令时安全性的综合基准 AGENTSAFE，覆盖感知—规划—执行全链路，包含 45 个对抗场景、1,350 个危险任务与 9,900 条指令；提出思维级安全审计模块，将危险指令执行率降至 0.48%。
提出无监督潜在方向发现与双层对抗训练框架，无需任何越狱数据监督即可对多种未知越狱攻击实现鲁棒防御，在自适应攻击场景下将成功率从 63.34% 降至 15.54%，同时保持下游任务能力。
提出 Dictionary-Aligned Concept Control 框架，基于概念字典与稀疏自编码器在推理时操控激活空间，无需重训模型即可将防御成功率提升至 0.990，同时保持模型通用能力不出现明显退化。
首次系统揭示 LoRA 适配器共享生态中的供应链攻击：JailbreakLoRA 在保持下游任务竞争力、能通过推荐系统筛选的同时植入隐蔽越狱后门，在 Llama3-8B 上触发攻击成功率达 99.1%，现有防御手段近乎失效。
将黑盒越狱建模为马尔可夫决策过程，用转移矩阵学习"策略失败后该换哪一招"，在 GPT-4o 上攻击成功率达 95.7%，即便面对更难攻破的 Claude-3.5-Sonnet 也能达到约 41%。
揭示词性标签与序列终止概率间的深层关联，提出词性感知延迟机制与生成路径剪枝机制诱导模型陷入重复循环，在放宽限制后可使输出 token 数达到正常输入的 367 倍。
业界首个在严格黑盒设定下、仅通过查询-输出交互即可精准推断多智能体系统内部通信拓扑的攻击框架，在通用推理、数学推理、代码生成三大领域实现平均 0.87、峰值 0.99 的 AUC。
基于谜题式视觉语义拆解与游戏化"心流"施压场景构建越狱框架，专门针对具备思维链能力的推理模型实现认知层劫持，在多项权威多模态越狱基准上全面超越现有方法。
首个端到端 MCP 安全评估基准 MSB，覆盖 12 类攻击类型，在 10 个领域、405 个工具上评测 10 个主流智能体，峰值攻击成功率达 75.83%，揭示"工具调用能力越强、反而越易受攻击"的悖论。
首次将古典中文引入 LLM 越狱攻击研究，构建八维策略空间并结合果蝇启发式优化算法，在 6 款主流 LLM 上取得近乎 100% 的攻击成功率，揭示多语言安全对齐的系统性盲区。布兰矩阵参与研究。
结合逆强化学习与动态奖励缩放机制，为不同有害类别训练专属 shadow reward model，在多项安全评测基准上显著提升对齐效果，同时保持通用能力并在多种越狱攻击下展现更强鲁棒性。布兰矩阵参与研究。
将提示词中的字符系统性混淆为多进制 ASCII 编码，迫使大推理模型执行大量解码子任务，在 HumanEval 基准上使 o3 响应长度增加超过 2.7 倍，构成类 DDoS 的资源耗尽攻击且隐蔽性强。
首次系统研究针对 VLA 模型的物理传感器攻击，提出 Real-Sim-Real 闭环评测框架，揭示激光、电磁与超声干扰可直接通过摄像头与麦克风破坏具身智能体的感知与决策链路。
首次揭示 Agentic 事实核查系统的中毒攻击风险，通过模仿系统分解逻辑并利用系统自身生成的判定理由，实现高效定向投毒，使虚假信息被误判为真实。
首个针对 MCP 的偏好操纵攻击，提出直接偏好操纵与基于遗传算法的广告偏好操纵两种策略，在保持高攻击成功率的同时显著提升隐蔽性，可绕过人工审查与自动化检测。
首个针对 VLA 模型的系统性后门攻击框架，通过目标解耦优化两阶段训练实现隐蔽策略劫持，在 OpenVLA、SpatialVLA 等主流具身模型上达到接近 100% 的攻击成功率，且对压缩、加噪、再微调依然稳定。
也可直接发送邮件至 info@branematrix.com
渠道、集成与生态合作，欢迎联系商务团队。
媒体采访、行业报告与投资者关系相关事宜。
BraneMatrix AI 是一家以「AI 原生安全（AI-Native Safety）」为核心基因的新型科技企业。我们不是传统网络安全公司，也不是单纯的大模型公司，而是从创立之初就围绕一个全新命题展开： 当 AI 成为操作系统级基础设施，安全必须成为系统结构的一部分，而非事后外挂模块。
公司聚焦 AI 原生安全框架（AI-Native Safety）与算法级风险评估能力（Algorithm-Native Risk）建设，打造面向大模型与多模态系统的底层安全能力体系。
识别提示词注入、越狱、角色伪装等攻击手法，构建主动防御体系。
对模型输出与调用行为中的滥用风险进行识别与控制。
面向端侧与边缘部署场景，构建可落地的安全架构。
为 Agent 与 Skill 生态提供安全审核与准入把关。
在技术与研究层面，BraneMatrix 持续投入 AI 安全前沿方向，围绕大模型攻防对抗、对齐鲁棒性、RAG 链路污染检测、多模态风险识别等领域开展系统性研究，形成了一系列方法论与工程化能力沉淀。团队已参与并产出多项 AI 安全相关研究成果，在主流安全评测与模型攻防榜单中保持领先表现，并具备将研究能力快速产品化与规模化落地的工程体系。
我们相信，未来不是「AI + 安全」，
而是「安全即 AI 结构本身」
BraneMatrix AI 全球实习生计划开启，当前开放 7 个实习岗位，点击展开查看职位详情。
我们欢迎工程师型内容人、内容型工程师，或任何想在 AI 安全领域留下"全球影响力"的探索者。
你将成为 BraneMatrix 接入全球生态的重要桥梁，与你的导师与团队一起：
当 AI 从"回答问题"走向"执行任务"，问题不再是模型够不够强，而是：一个 AI 系统，如何在复杂环境中稳定运行，并对结果负责？BraneMatrix 正在构建的，不是单点功能，而是围绕：
适合你，如果你：
不适合你，如果你：
我们更看重：
请不要只发简历，请附带以下任意一项（没有这些内容的投递，我们不会优先处理）：
在大模型与 Agent 快速发展的背景下，AI 系统正在从"模型能力"走向"系统能力"。BraneMatrix 正在构建：面向大模型的安全评测与攻防平台、可工程化落地的 AI 安全能力、支撑多模型多场景的自动化安全验证体系。同时，我们也在推进一件更工程化的事情：将安全能力封装为可部署、可复用的标准化组件，并逐步走向云端分发与规模化交付（如 AWS 生态）。
参与构建 AI 安全平台级系统（不是单点功能），接触从安全算法 → 工程封装 → 云端交付的完整路径。
建议附带以下内容之一：一个你做过的工程项目（GitHub / 说明）、容器化 / 部署 / 自动化相关实践、或你理解的"AI 评测系统应该怎么设计"。
在 Agent 与 AI 应用快速发展的背景下，模型能力正在从"训练阶段"转向"推理阶段"。我们在构建：面向真实用户场景的大模型推理服务体系、基于开源权重模型的可控可部署 AI 能力、支撑多模型多用户的稳定运行与资源调度能力。
参与真实的大模型推理系统建设（不是 Demo），理解 AI 系统最关键但最少人真正掌握的一层：推理性能、资源调度、服务稳定性。
请附带以下任意一项（无相关实践的投递，不会优先处理）：你部署过的模型（说明 + 配置）、一次你解决过的部署 / 推理问题、或你对"如何提高推理效率"的理解。
如果你对大语言模型的安全性、越狱检测、对抗攻击有浓厚兴趣；如果你曾在算法竞赛中冲击全球排行榜，或在顶级会议留下名字；如果你渴望和一群相信"AI 必须服务于人类秩序"的工程师一起构建未来防线——那么欢迎加入布兰矩阵。我们不只是做"安全检测工具"，我们构建的是未来 AI 秩序的基础设施。
当前开放 5 个正式岗位，点击展开查看职位详情。
产品线：大模型安全评测平台 Orbital Supervision + 矩盾 AI 对话防护模型。布兰矩阵 BraneMatrix 专注 AI 原生安全，为大模型、Agent 和企业智能系统提供检测、防护、审计与合规能力。我们要找的这个人，负责把上述两款 B 端产品落地到半导体、汽车、IoT、具身智能、智能制造、金融、能源、央国企等行业场景，形成可交付、可复制的解决方案。这不是传统售前，也不是单纯技术支持——你是连接客户业务、产品能力、云与边缘基础设施、行业方案和商业化落地的核心角色。
AI 原生安全是全新的基础设施赛道，我们的产品已进入可 PoC、可售卖、可私有化部署阶段，同时覆盖 B 端企业 AI 安全与未来 Agent / Skill 生态安全。面向央国企、云厂商、汽车、半导体、具身智能等高价值行业，你有机会参与定义 AI 时代模型、Agent 和 Skill 的安全标准。
你将站在布兰矩阵的核心算法安全体系与商业化落地交汇点上，负责将前沿攻防算法与平台能力转化为可规模化、可交付的产品，打造下一代「算法原生安全」产品栈。
你不是写 PRD 的人，而是让算法变成「可售卖的安全产品」的人。在布兰矩阵，每一次定义，都是新的 AI 安全标准的诞生。
构建布兰矩阵的商业落地与合作生态，让 AI 安全技术通过更广的渠道与行业合作伙伴触达市场。
负责布兰矩阵全球品牌与技术影响力体系建设，打造面向国内外的内容矩阵与传播生态，让更多人了解——算法安全的中国力量。
关于 BraneMatrix
我们是一家由顶级 AI 原生安全专家、全球知名算法科学家、资深红队研究员和全栈开发者共同创立、以 AI 原生安全为底层科研基石的创造型公司。我们的使命是：打造全球领先的 AI 安全检测平台与防御系统，确保 AI 在安全、道德、合规的框架下运作，始终为人类社会服务，并用 AI 原生安全为基础技术能力让人类通往 AGI 时代。
我们相信真正的 AI 安全不是补丁，而是一套完整且可信赖的社会机制、工具链和能力体系。BraneMatrix 要保护的是"由模型驱动的软件系统"；解决的是解释权、决策权与行动权。谁能守住这三权，谁才能真正打开 Agent 时代。我们邀请你加入，一起写下这一章。
