问题—— 围绕模型选择的讨论近期再度升温。
开发者Zhongpai Gao在社交平台发布截图称，其在OpenClaw助手中配置某款新模型后，主观体验显示运行响应速度并未明显优于一款体量更小的模型。
相关内容被转发后，OpenClaw创始人Peter Steinberger迅速作出安全提醒：不建议在高风险任务中使用Haiku类小模型，原因在于其“缺乏提示词注入保护”，需仔细查阅产品文档与安全说明。
原因—— 所谓提示词注入，是指攻击者将精心构造的指令隐藏在对话内容、外部链接、文件或工具返回结果中，诱导模型偏离既定规则，从而出现泄露敏感信息、越权调用工具、执行高危指令等后果。
业内分析认为，提示词注入并非单一“漏洞”，而是模型在“遵循指令”与“遵循安全边界”之间天然存在张力：模型越擅长理解并执行复杂指令，越需要在系统层面配置更严格的防护框架。
部分小型或旧版模型在安全对齐、指令分层、工具调用隔离、内容过滤与拒答策略等方面能力有限，面对复杂对抗样本时更易被绕过；同时，一些开发者为追求低成本、低时延，可能在缺少安全评估的情况下将其直接接入具有写入、删除、支付、发信或数据查询等权限的工作流，客观上放大风险。
影响—— 这一提醒折射出当前模型应用落地的现实挑战：一是“性能体验”并非唯一指标。
速度、成本、准确率之外，安全与合规正在成为同等重要的工程约束。
二是从“聊天”走向“代理式执行”后，风险外溢更明显。
当模型被赋予系统权限、可访问企业知识库或可调用外部工具时，提示词注入可能从信息误导演化为实际操作风险。
三是对企业而言，安全事件的代价往往高于算力投入，涉及数据泄露、业务中断、合规处罚及声誉损失等连锁反应。
尤其在金融、政务、医疗、法务与研发等领域，任何越权访问或敏感信息外传都可能带来严重后果。
对策—— 业内人士建议，从“模型选型—权限设计—运行监控—应急处置”构建闭环治理。
其一，明确场景分级：将任务按风险划分为低风险的通用问答、中风险的内容生成、高风险的系统操作与敏感数据处理；高风险场景优先选用具备成熟安全防护能力的模型与工具链。
其二，落实最小权限原则：模型可调用的接口与数据范围应精细化控制，避免“一键全开”。
对外部内容输入、网页抓取、文件解析等环节设置隔离与清洗，防止恶意指令混入上下文。
其三，引入多层防护：包括系统提示与开发者提示分层、工具调用前的参数校验、输出合规审查、关键操作的人工确认或双人复核。
其四，强化监测与审计：对模型调用、工具执行、敏感数据访问建立日志与告警机制，及时识别异常行为，并预设回滚与封禁策略。
其五，完善测试：在上线前开展针对提示词注入的红队测试与对抗评估，持续更新防护规则与安全基线。
前景—— 随着模型能力不断增强与应用形态从单点工具走向“工作流编排”，安全防护将由“可选项”转为“必选项”。
可以预见，未来行业竞争不仅体现在模型能力本身，更体现在安全对齐、权限治理、可解释审计与工程化交付能力上。
对开发者和企业用户而言，选择模型不能只看参数规模或响应速度，更要把安全评估纳入产品决策流程；对平台与工具提供方而言，清晰披露安全边界、默认启用防护选项、提供可操作的最佳实践，将成为赢得信任的重要基础。
此次事件再次提醒我们，技术创新必须与安全保障同步推进。
在人工智能快速发展的今天，开发者、企业和监管机构都需要建立更全面的安全意识，既要把握技术带来的机遇，也要清醒认识潜在风险，共同构建安全可信的技术应用生态。