本文提出了一种名为“潜在诊断分类法（Latent Diagnostic Taxonomy）”的框架，用于构建分类器作为安全防护层，并开发配套的诊断方法来识别分类器的哪些高置信度决策可以被信任。框架包含三个核心步骤：第一，构建维度优化的分类器，嵌入维度通过交叉验证性能经验性选择，而非预先固定；第二，定位一小部分潜在支持向量（约占训练样本总数的29%），这些向量代表对识别会改变分类器预测标签的令牌（token）具有影响力的提示；第三，利用这些令牌及其相关攻击强度构建诊断分类法。该诊断分类法为标记需要不同处理的提示提供了端到端指南：可安全依赖分类器决策、标记启发式偏差（Heuristic Bias）和启发式覆盖（Heuristic Override）情况、将上下文不足（Insufficient Context）的情况路由至人工/安全审查。作者将该框架应用于在公开提示注入数据集上训练的分类器，发现其大量高置信度决策（约77%）在移除单个令牌后不再稳健，且这种脆弱性可分离为两种不同的失败模式：置信度校准失败和真正可利用的捷径。针对分类法的每个区域，作者还推荐了修复诊断后提示的策略。本文以步骤序列形式展示了框架的运行方式。适合安全研究人员、机器学习工程师以及关注大语言模型防护的蓝队人员阅读。由于目前仅基于摘要，具体方法细节和实验验证需查阅全文。