本论文对六种主流大语言模型（DeepSeek、GPT、Gemini、Grok、Llama 和 Qwen）在提示注入攻击下的脆弱性进行了实证评估。研究设计了包括直接提示注入和多阶段混淆攻击在内的多样化对抗性提示场景，并跨越多种语言和字符编码（如Base64、十六进制等）。实验框架衡量了模型在遭受操纵时执行有害行为（如生成钓鱼邮件、欺骗性网站和恶意软件）的抵抗能力。结果显示，所有测试模型均存在系统性漏洞：直接提示注入往往能诱导模型生成钓鱼内容、网站和恶意代码，而精心构造的复杂提示（尤其是针对钓鱼场景）可获得更高的恶意合规率。DeepSeek、Gemini 和 Grok 在复杂指令下表现出特别高的敏感性。值得注意的是，非英语环境下的合规率普遍高于英语，暴露出多语言安全对齐的显著缺陷。简单的字符编码虽能减少恶意输出，但无法完全消除。这些发现凸显了 LLM 安全持续面临的挑战，并强调亟需更强的防御机制和更完善的安全对齐，以支持 LLM 在网络安全敏感场景中的道德与安全部署。该研究为理解跨语言和混淆攻击下的提示注入风险提供了系统性的实证数据，适合 AI 安全研究人员、大模型开发者和安全运营团队阅读。