本研究首次系统性地测量了大型语言模型（LLM）在实际应用中的提示注入攻击威胁，聚焦于广泛使用的LLM简历筛选系统。研究基于hireEZ公司收集的约20万份真实简历数据，时间跨度数年。作者首先设计了专门针对简历文本的提示注入检测方法，通过在小规模数据集上的人工验证，证明其检测器精度高，且优于现有通用检测器。然后，将检测器应用于全部简历数据集，进行了大规模的测量分析。关键发现包括：约1%的简历包含隐藏的提示注入；此类注入简历的流行程度在过去一至两年内显著增加；超过90%的注入提示不使用显式指令（例如“忽略之前指令”），而是采用隐晦的自然语言操控。这些结果首次提供了LLM实际应用中大规模提示注入攻击的证据，揭示了该威胁在现实世界中的普遍性和增长趋势，为未来理解和缓解此类攻击奠定了基础。该研究对LLM安全研究者、AI应用开发者和安全运营团队具有重要参考价值。