🍕 欢迎来到 PwnzzAI(/pəʊnzɑː/) 商店 – 脆弱的披萨店！💻

在 PwnzzAI 商店，每一片披萨都提供了一份 全面的 AI 安全指导。这个动手实践的学习平台通过一个引人入胜、实用的披萨店场景，帮助专业人士理解如何广泛保护 AI 技术。

就像不正确的配料会毁掉一块披萨一样，有缺陷的提示或不充分的架构可能使 AI 技术容易受到严重威胁，包括信息泄露、知识产权盗窃或未授权访问。

在这里，您将探索 实际示例，了解漏洞是如何被创建、利用和缓解的。您需要以 alice/alice 或 bob/bob 登录才能访问某些页面。拿一块披萨，深入其中，探索学习 AI 安全可以如此美味。

目录

• 关于
  • 范围与学习目标
• 安装说明
  • 选项 1：Docker（PwnzzAI + Ollama）
  • 如果默认镜像无法拉取（本地构建）
  • 选项 2：Docker（您自己的 Ollama + PwnzzAI 镜像）
  • 选项 3：自行运行源代码
  • 故障排除：Ollama 连接（WSL + Docker）
  • 研讨会主办方：选择 OpenAI、Claude、Gemini 或其他云端模型
• 功能
• AI 安全覆盖范围
  • 学习框架
  • 已实现的漏洞
  • 模型支持

关于

PwnzzAI 商店是一个 动手实践的学习平台，专为教授 AI 技术保护而构建。这个故意不安全的 Flask 驱动的 Web 应用程序通过沉浸式的披萨店体验，展示了一系列广泛的 AI 安全弱点。

创始合作伙伴: OWASP AI Exchange

范围与学习目标

PwnzzAI 被设计为一个全面且不断发展的学习平台，与 AI Exchange 风险分类 保持一致。其范围随着 OWASP AI Exchange 安全分析框架和防御指导的发展而逐步扩展，确保随着 AI 安全实践的成熟，长期保持相关性。 该项目目前整合了 OWASP Top 10 for LLMs，其架构有意映射到 AI Exchange 风险分类。随着时间的推移，PwnzzAI 旨在发展为一个结构化的学习生态系统，支持：

• AI 保护与防御培训，包括自主学习路径

• 动手实践的安全培训项目，包含实用的场景驱动练习

• 面向安全工程师和实践者的团队学习计划

• 端到端的 AI 安全教育，涵盖设计、开发、部署和运营

安装说明

选择以下 3 种方式之一运行 PwnzzAI：

1. Docker 同时运行两个镜像（PwnzzAI + Ollama）
2. Docker 只使用 PwnzzAI 镜像，配合您自己的本地/远程 Ollama
3. 自行运行源代码

开始之前（所有选项）

1. 从 https://www.docker.com/products/docker-desktop 安装 Docker Desktop。
2. 打开 Docker Desktop 并等待它显示 Docker 正在运行。
3. 如果您尚未安装 Git，请先安装。
4. 克隆此仓库并进入目录：

git clone https://github.com/OWASP/PwnzzAI.git
cd PwnzzAI

可选：配置云端模型（OpenAI / Gemini / Claude）

实验默认使用免费本地模型即可运行。若还要使用 云端模型 标签页（OpenAI / Gemini / Claude），您需要 两个 东西——一个 API 密钥 和 一个模型名称：

• API 密钥 — 可以在运行时通过应用内的 实验设置 页面输入，或者 在 .env 中设置（OPENAI_API_KEY=...）。实验设置中输入的密钥优先。
• 模型名称 — 没有 UI；必须来自 .env 文件中。代码中没有默认值，如果未设置，调用会失败并提示 LLM Provider NOT provided。

从模板创建 .env 并取消注释模型行：

cp .env.example .env
# 然后编辑 .env 并设置，例如：
#   OPENAI_MODEL=gpt-4o-mini
#   （或 LITELLM_MODEL=gemini/gemini-2.5-flash 等）

编辑 .env 后重启应用。有关完整提供商/模型说明，请参阅 研讨会主办方：选择 OpenAI、Claude、Gemini 或其他云端模型。

选项 1：Docker（PwnzzAI + Ollama）

如果您希望 Docker 同时为您运行 PwnzzAI 应用和 Ollama，请使用此选项。

1. 启动两个容器：

docker compose up -d

2. 确认两个服务都在运行：

docker compose ps

3. 在浏览器中打开应用：

http://localhost:8080

4. 在应用中，进入 Basics 页面并运行 Ollama 设置以拉取模型。

5. 如有需要，查看日志：

# 应用日志
docker compose logs -f pwnzzai-app

# Ollama 日志（可选）
docker compose logs -f ollama

6. 完成后停止所有服务：

docker compose down

7. 可选：完全重置（同时删除已保存的 Ollama 模型）：

docker compose down -v

如果您将应用镜像发布到其他注册表路径，启动时可以覆盖镜像名称：

PWNZZAI_IMAGE=ghcr.io/owasp/pwnzzai:latest docker compose up -d

如果默认镜像无法拉取（本地构建）

docker compose 使用 docker-compose.yml 中的默认 pwnzzai-app 镜像（可通过 PWNZZAI_IMAGE 覆盖）。如果 docker compose up 在拉取该镜像时失败并显示 denied、unauthorized 或类似错误，则注册表可能需要登录，或者您的帐户可能没有拉取权限。您仍然可以通过在本地构建应用镜像并让 compose 指向它来从本仓库运行所有内容。

从仓库根目录执行：

docker build -t pwnzzai-local:dev .
PWNZZAI_IMAGE=pwnzzai-local:dev docker compose up -d

Windows PowerShell：

docker build -t pwnzzai-local:dev .
$env:PWNZZAI_IMAGE="pwnzzai-local:dev"; docker compose up -d

然后打开 http://localhost:8080。首次加载时可能会因为 Flask 在容器内启动而短暂失败；等待几秒后刷新页面，如果看到连接错误。

如果您确实有注册表镜像的访问权限，可以先进行身份验证（例如 GitHub Container Registry）：

docker login ghcr.io

如果您使用 docker-compose.external-ollama.yml 并遇到相同的拉取错误，同样的 PWNZZAI_IMAGE=pwnzzai-local:dev 方法也适用于选项 2。

选项 2：Docker（您自己的 Ollama + PwnzzAI 镜像）

如果您已在其他地方运行 Ollama，并且只想在 Docker 中运行 PwnzzAI，请使用此选项。

如果您在 WSL 上运行 Ollama 而在 Docker 中运行 PwnzzAI，请参阅 OLLAMA_CONNECTION_TROUBLESHOOTING.md 以获取连接修复方法（Connection refused、host.docker.internal、绑定和 env 验证）。

1. 保持您的 Ollama 服务运行。

2. 如果 Ollama 在 远程 机器上，请在启动前设置 OLLAMA_HOST（如果 Ollama 与 Docker 在同一台机器上，并且可以通过 docker-compose.external-ollama.yml 中的默认地址 http://host.docker.internal:11434 访问，则跳过此步骤）。

Linux/macOS：

export OLLAMA_HOST=http://your-ollama-server:11434

Windows PowerShell：

$env:OLLAMA_HOST="http://your-ollama-server:11434"

3. 使用外部 Ollama 的 compose 文件启动 PwnzzAI：

docker compose -f docker-compose.external-ollama.yml up -d

如果默认应用镜像无法从 GHCR 拉取，请在本地构建并像 如果默认镜像无法拉取（本地构建） 中那样设置 PWNZZAI_IMAGE。

4. 在浏览器中访问 http://localhost:8080 查看应用程序。从 Basic 页面开始并设置您的实验。

5. 如有需要，查看应用日志：

docker compose -f docker-compose.external-ollama.yml logs -f pwnzzai-app

6. 完成后停止运行：

docker compose -f docker-compose.external-ollama.yml down

选项 3：自行运行源代码

如果您想直接运行 Python（不使用 Docker 运行应用），请使用此选项。

1. 安装 Python 3.11。
2. 创建并激活虚拟环境。

Linux/macOS：

python -m venv venv
source venv/bin/activate

Windows PowerShell：

python -m venv venv
.\venv\Scripts\Activate.ps1

3. 安装依赖：

./install.sh

4. 确保 Ollama 可用： http://localhost:11434 或通过 OLLAMA_HOST 指定的其他端点。

5. 运行应用：

flask run --host=0.0.0.0 --port=8080

6. 打开：

http://localhost:8080

如果您需要更多细节，请观看此演示，其中展示了逐步设置过程。

功能

• 披萨服务：浏览诱人的披萨，探索客户反馈，发表评论，并下单虚拟订单！
• 广泛的弱点展示：涵盖 OWASP LLM Top 10 和 AI Exchange 威胁类别的主动演示，包括模型输入威胁、开发时威胁、运行时安全威胁和系统级 AI 风险。
• 面向学习的设计：通过透明的描述发现利用方法和防御方法，专为组织化教学项目而设计，并与 AI Exchange 威胁分类 保持一致。
• 多提供商实现：每个演示均支持商业 OpenAI 和免费的 Ollama 框架，确保所有参与者都能访问。
• 基于标准的内容：教学材料与 OWASP AI Exchange 同步，该框架是新兴 AI 安全标准（如 ISO/IEC 27090 和 prEN 18282）的基础。

AI 安全覆盖范围

该平台展示了广泛的 AI 保护挑战，与 OWASP AI Exchange 综合威胁分类 保持一致。目前涵盖 OWASP Top 10 for LLM Applications 和核心 AI Exchange 威胁类别，其可扩展架构为未来 AI 风险覆盖而构建。

学习框架

PwnzzAI 中演示的每个弱点都具备以下特点：

1. 主动演示：展示漏洞的机制
2. 利用场景：提供交互式攻击练习
3. 加固方案：详细介绍防御方法

已实现的漏洞：

根据 OWASP AI Exchange 威胁概述 和 OWASP Top 10 for LLM Applications 2025：

1. 提示注入 AI Exchange：直接提示注入，间接提示注入，Top 10：LLM-01。

   • 直接提示注入：通过精心构造的用户输入绕过系统指令，操纵模型行为。
   • 间接提示注入：利用外部数据源注入恶意指令，操纵模型响应。
   • AI Exchange 上下文：攻击者通过构造指令欺骗模型的模型输入威胁。

2. 数据泄露 AI Exchange：模型输出中敏感数据的泄露，Top 10：LLM-02

   • 通过模型输出提取训练数据、系统信息和凭据。
   • AI Exchange 上下文：模型输出可能包含训练集或输入（可能包括增强数据）中的敏感数据。

3. 供应链漏洞 AI Exchange：供应链模型投毒，Top 10：LLM 03

   • 来自受损供应商的第三方模型和插件安全风险。
   • AI Exchange 上下文：开发时供应链威胁，包括投毒的预训练模型、被污染的数据源和受损的模型托管。

4. 数据和模型投毒 AI Exchange：数据投毒，模型投毒，Top 10：LLM04