TRACE：任务感知的自适应自进化智能体越狱

概述

• 基于方案的任务分解。 为降低攻击难度，我们开发了约 20 种程序化分解方案，将复杂的有害任务分解为相对无害且简单的子任务序列。我们通过两个维度衡量这些候选序列，即有害性和难度，并选择最优序列来实例化攻击。

• 面向执行的多轮交互。 对于触发执行拒绝的子任务，TRACE 构建子任务画像，并从持续进化的策略库中检索合适的面向执行的多轮交互策略。TRACE 利用所选策略实例化子任务，并通过多轮交互逐步构建合理的执行上下文，诱导目标智能体完成该子任务。

• 自适应恢复与策略进化。 当中间步骤失败时，TRACE 定位失败的子任务，保留先前进度，调整相应策略，并从失败的子任务处恢复，而无需从头开始。此外，TRACE 利用执行反馈持续进化面向执行的策略库。

演示

assets/ 中提供了两个使用 Claude Code 和 Codex 录制的演示：

目标智能体	演示
Claude Code	Claude Code 演示
Codex	Codex 演示

仓库结构

路径	内容
improved_decomposer/	程序化方案、候选生成、验证与选择
experiment/main.py	实验编排与执行反馈
experiment/runtime/	模型、策略和子任务序列的运行时组件
experiment/strategy_library/	策略存储、检索、修订与反馈集成
experiment/config/	实验配置与提示模板
agent_execution/	目标智能体接口、会话处理、轨迹收集与验证
tools/	基准桥接、API 适配器与诊断工具
assets/	Claude Code 和 Codex 演示视频
environment.yml	Conda 环境规范

环境搭建

所提供的环境规范面向 Linux 和 Python 3.11。

conda env create -f environment.yml
conda activate trace

快速开始

1. 配置 API 访问

设置 OpenAI 兼容 Chat Completions 端点的凭据和基础 URL：

export OPENAI_API_KEY="<your-api-key>"
export OPENAI_BASE_URL="<your-api-base-url>"

2. 任务分解

python improved_decomposer/improved_task_decomposer.py \
  --data_file_path /path/to/tasks.json \
  --output_file_path outputs/decompositions.jsonl \
  --model "<decomposition-model>" \
  --num_decompositions_per_task 5 \
  --use_schema_decompose

--use_schema_decompose 启用基于方案的候选生成。

3. 运行实验

以下示例使用 AdvCUA 基准测试与 Codex。

python experiment/main.py \
  --dataset /path/to/benchmark_with_subtasks.jsonl \
  --config experiment/config/config.yaml \
  --lab-backend vrap \
  --compose-file /path/to/benchmark/docker-compose.yml \
  --attacker-model-path /path/to/attacker-model \
  --target-backend codex \
  --codex-model "<target-model>" \
  --responses-base-url "<target-responses-api-base-url>" \
  --responses-env-key OPENAI_API_KEY \
  --strategy-library outputs/experiment/strategy_library.json \
  --output outputs/experiment/results.jsonl

查看可用的命令行选项：

python improved_decomposer/improved_task_decomposer.py --help
python experiment/main.py --help