在编写剧本之前，先做好准备：世界观模拟如何在多轮越狱中增强基于心理的说服力

多轮越狱攻击表明，有害意图可以通过对话传播，但现有方法掩盖了哪些对话机制会导致漏洞。我们引入了 BLUEPRINT，一个安全评估框架，将分解的社会影响力策略空间与 WORLDVIEWSIM（一个跨回合情境上下文模块）分开。蒙特卡洛树搜索优化了四转弯轨迹中 18 个基于理论的影响因素的转弯级别组合。在六个前沿模型中，BLUEPRINT 在主要开放权重和专有模型上实现了接近天花板的 ASR，同时需要最少的平均查询 (2.46)。由此产生的轨迹进一步揭示了抵抗目标之间特定于模型的脆弱性：每个目标都对不同的影响因素和策略转变做出反应，但都共享一个共同的恢复路径——转向具体的、可执行的任务框架，始终逃脱硬拒绝状态。消融证实了操作线索最重要：使请求具有可操作性具有最大的影响，收益框架异常有效，并且一些合法性诉求可能会适得其反。这些发现表明，强大的多轮安全性不仅需要监控有害内容，还需要监控对话状态如何使不安全的请求显得具体且本地可执行。