该论文针对大型语言模型（LLM）在实际部署中面临的安全挑战——攻击者通过精心构造的提示词（prompt）绕过安全控制。现有防护方法（如 LLM-as-a-judge 和基于云的安全 API）虽能检测不安全内容，但每次请求会增加约 250-900 毫秒的延迟，难以满足实时应用（通常要求 <100 毫秒）的需求；同时，将用户提示路由至外部审核端点也会引发数据隐私问题。为此，作者提出 Reflex-Guard，一种本地运行的轻量级防护栏（guardrail），其核心组件包括：越狱感知的预处理（jailbreak-aware preprocessing）、紧凑的句子变换器嵌入（compact sentence-transformer embeddings）以及七个快速的二分类器。这些组件协同工作，实现了高精度的提示安全过滤，且延迟远低于现有方案。实验基于一个策略性平衡的数据集，包含 30,568 个样本，来源涵盖五个互补的数据源。结果显示，Reflex-Guard 在端到端延迟仅 37.6 毫秒的情况下，对有害提示的召回率达到 95.9%。相比之下，基线 Llama Guard 2 需 255 毫秒，SafeDecoding 需 723 毫秒。Reflex-Guard 在默认阈值下能 100% 检测 GCG 后缀攻击和 Base64 编码提示；但对于 DrAttack 结构化提示，因概率分布不同，需将阈值降至 0.03 才能达到最优检测。此外，Reflex-Guard 的 Reflex 效率得分（RES）最高达 16.79，明显优于 Llama Guard 2（11.90）和 SafeDecoding（9.80）。论文还提供了实际部署建议，并指出不同类型的攻击在嵌入概率空间中占据不同区域。适合关注 LLM 安全、实时应用防护、本地化安全过滤器的研究者和工程师阅读。