深入歧义：A*启发的多智能体常识混淆攻击

大型语言模型（LLM）在推理和知识密集型任务中表现出色，但仍然容易受到即时级别的对抗性攻击，这些攻击会在触发常识性幻觉的同时保留意图。这个漏洞非常紧迫，因为大语言模型正在迅速融入安全关键领域，而事实可靠性是不容妥协的。现有的攻击方法要么缺乏效率，要么无法捕获现实世界对手的自适应策略。我们提出了一个受 A* 启发的事实错误归纳框架，该框架用于生成语义对齐但模糊的提示。其核心是一种由动态语义分散系数 $γ$ 引导的分层重写策略，该策略在反向模拟退火计划之后，平衡早期的保守编辑与后期的激进混淆。为了增强可解释性，我们进一步引入代理机制标签，它发现和完善对抗机制，提供可解释的反向优化。理论上，我们证明即时重写遵循收缩递归，随着 $γ$ 的减少而导致语义崩溃。根据经验，在不同的大语言模型中，我们的方法比穷举探索获得了更高的攻击成功率，同时需要更少的尝试，证明了效率和有效性。