守住角色，守住安全：面向安全角色扮演智能体的双循环对抗自演化

基于 LLM 的角色扮演在保真度上快速提升，然而对角色约束更强的遵循通常会增加对越狱攻击的脆弱性，对高风险或负面角色尤甚。多数既有工作用训练时方案（如数据整理或面向对齐的正则化）缓解这一问题。但随着角色与攻击策略的演化，这些方法维护成本高、可能损害角色内行为，且对前沿闭权重 LLM 通常不可行。我们提出一个免训练的双循环对抗自演化框架，包含两个耦合循环。角色定向攻击者循环合成逐步更强的越狱提示；角色扮演防御者循环把观察到的失败蒸馏为分层的知识库：(i) 全局安全规则，(ii) 角色角色约束约束，(iii) 安全的角色内示例。推理时，防御者从该层级检索并组合结构化知识以引导生成，产出既忠实于目标角色又满足安全约束的回应。在多个专有 LLM 上的大量实验显示，该方法在角色保真度与抗越狱两方面均持续超越强基线，并对未见角色与攻击提示具有稳健泛化。