本文提出了一种名为“潜在诊断分类法”（Latent Diagnostic Taxonomy）的框架，用于构建作为安全防护层的分类器，并开发配套的诊断机制，以识别分类器哪些高置信度决策是可信任的。该框架包含三个核心步骤：首先，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地选择，而非预先固定；其次，定位一组相对较小的潜在支持向量（约占训练样本总量的29%），这些向量代表有影响力的提示，用于识别会改变分类器预测标签的令牌；最后，利用这些令牌及其关联的攻击强度构建诊断分类法。该诊断分类法提供端到端的指导，用于标记需要不同处理的提示：对于可靠的决策可以安全依赖；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）的情况转交给人工/安全审查。将框架应用于在公开提示注入数据集上训练的分类器时，作者发现其约77%的高置信度决策在移除单个令牌后并不稳健，且这种脆弱性可区分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提示的策略。该论文以一系列步骤演示了框架的运作方式。适合AI安全研究员、机器学习工程师以及关注大语言模型安全防护的蓝队人员阅读。