本文提出了一种对抗性提示框架（Adversarial Prompting Framework, APF），用于系统性地评估生成式AI模型的安全性。随着生成式AI在各行业的广泛应用，模型面临的新型网络攻击风险（尤其是对抗性提示攻击）日益突出。APF框架通过生成多层次的对抗性提示，从简单的直接有害请求到复杂的编码型攻击（如Base64编码、Unicode编码等），全面测试模型的安全防护能力。框架在企业环境中实现了自动化测试，并提供了量化安全评估指标。实验结果表明，不同攻击向量的成功率存在显著差异，其中编码型提示在绕过安全机制方面成功率最高，揭示了现有模型防护的薄弱环节。该研究为AI安全评估提供了可操作的自动化工具，有助于发现和修补模型漏洞，提升系统鲁棒性。