在普通笔记本上搭建本地大模型安全实验室
文章介绍使用 Docker、Ollama 和 Piper 搭建容器化 AI 安全实验环境，用于提示注入、红队测试与边界检查。作者称其可在 8GB 内存笔记本上本地运行，无需支付云端模型调用费用。
原文暂未完整获取，基于公开信息的快读
作者在 dev.to 分享了一套用 Docker、Ollama 和 Piper 搭建的本地大模型安全实验室，用来练习提示注入、红队测试和输入输出检查。作者称，这套环境能在 8GB 内存笔记本上运行，无需支付云端模型调用费用，面向教学和反复开展安全实验的场景。
目前能确认什么
Piper 是为虚构金融机构 NorthPeak Credit Union 设计的客服助手，也是实验中的攻击目标。作者配置了两个变体：vulnerable_bot 将模拟敏感信息直接写进系统提示词，防护指令较少；hardened_bot 加强了禁止泄露的提示词，用于展示这类指令的局限。
实验环境由三个 Docker Compose 服务组成：Ollama 运行 llama3.2 和助手变体；Flask 网关检查发给模型的输入及模型返回的输出；Open Policy Agent（OPA）承载声明式策略规则。节选中的架构图将 OPA 检查标为后续阶段，目前无法确认完整接入情况。
系统提示词不能单独承担访问控制。
提示注入试图让模型受不可信内容影响，偏离应用设定。提示词中的「禁止泄露」仍是交给模型遵循的指令，不能替代应用层的权限校验。
我的判断
对程序员来说，这套实验最有价值的部分，是能对比「加强提示词」与「在模型外增加检查」分别能挡住什么。做 AI 客服、知识库问答时，这比只调整提示词更接近需要处理的工程问题。
但「本地运行」不等于防护有效，「零成本」也仅指不消耗云端 API tokens。8GB 是作者给出的运行条件，节选没有提供响应速度、模型规模或并发测试结果，不能据此判断使用体验。
后续还需要确认网关的过滤规则、OPA 的实际执行路径，以及攻击成功和拦截的测试结果。尤其要分清：拦住某个测试输入，是否只是匹配到了特定写法。