Den Sensitive-Prompt-Fehler in Cursor beheben
Der Sensitive-Prompt-Fehler ist eine der verwirrendsten Meldungen in Cursor, weil er mitten in legitimer Sicherheits-, medizinischer oder juristischer Arbeit erscheint. Dieser Leitfaden erklärt, was der Fehler tatsächlich ist, welche Eingaben ihn auslösen, die Workarounds, die Sie zuverlässig entblockieren, und wie man ein falsch-positives Ergebnis meldet, wenn die Blockierung falsch war.
Was der Sensitive-Prompt-Fehler bedeutet
Der Fehler wird nicht von Cursor erzeugt. Er kommt von einem Sicherheitsklassifizierer auf Seiten von Anthropic, der Anfragen prüft, bevor sie ein Claude-Modell erreichen. Wenn der Klassifizierer die kombinierte Eingabe und den Kontext als sensibel markiert, lehnt Anthropic die Anfrage ab und Cursor zeigt die Ablehnung als Fehler im Chat an.
Wichtige Fakten zur Blockierung:
- Es ist eine Entscheidung des Klassifizierers, keine Entscheidung des Modells. Das Modell sieht die Anfrage nie.
- Sie gilt für Anthropic-Modelle, Sie werden sie also bei Opus- und Sonnet-Varianten sehen.
- Sie wird durch die Eingabe plus angehängten Kontext ausgelöst, nicht durch Ihre Absicht oder Ihren Berufstitel.
- Sie kann bei einer einzelnen Anfrage auftreten und sich bei der nächsten nach einer kleinen Änderung von Wortlaut oder Kontext auflösen.
Weil der Klassifizierer auf Textur statt auf Zweck arbeitet, können ein Penetrationstester und ein Angreifer nahezu identischen Text einreichen und dasselbe Ergebnis erhalten. Das ist die Ursache fast jedes falsch-positiven Ergebnisses.
In der Praxis ist die Lösung nicht, zu verbergen, was Sie tun, sondern es klar zu benennen und die rohen Artefakte aus dem angehängten Kontext herauszuhalten. Ein Reviewer, der schreibt "erkläre die Grundursache und den Patch", bekommt eine nützliche Antwort. Derselbe Reviewer, der einen ungekürzten Exploit neben "mach, dass das funktioniert" einfügt, wird blockiert. Die technische Tiefe, die Sie erhalten, ändert sich kaum, aber die Wahrscheinlichkeit einer Blockierung sinkt stark.
Cursor kann diesen Klassifizierer nicht einfach vom Client aus "ausschalten". Er wird vorgelagert von Anthropic für die von ihnen gehosteten Modelle erzwungen. Die praktische Lösung ist, zu ändern, was Sie senden, das Modell zu wechseln oder beides.
Symptome, die Sie sehen werden
Die Blockierung zeigt sich in einigen erkennbaren Formen. Das Symptom der Ursache zuzuordnen beschleunigt Ihre Behebung.
Fehlertext im Chat
Typischerweise sehen Sie etwas nahe an einer dieser Zeilen:
The request was blocked because it contains sensitive content.
Please rewrite your request or start a new chat.
Error: prompt contains potentially sensitive content (Anthropic)
The model declined this request. This may be due to the content of
your prompt or the attached context. Try rephrasing or removing files.
Der genaue Wortlaut variiert zwischen Cursor-Versionen und Modellvarianten, aber das Muster ist stabil: eine Ablehnung, ein Vorschlag zum Umformulieren und gelegentlich ein Hinweis auf angehängten Kontext.
Chat stoppt mitten in der Antwort
Manchmal lässt der Klassifizierer die Anfrage durch und dann löst eine Folgerunde ihn aus. Das sichtbare Ergebnis ist eine Antwort, die auf halbem Weg stoppt, gefolgt vom Sensitivitätsfehler in der nächsten Runde. Das bedeutet meist, dass die eigene vorherige Ausgabe des Assistenten markierten Text in den Gesprächsverlauf eingeführt hat.
Es funktioniert bei anderen Modellen
Wenn dieselbe Eingabe bei GPT, Gemini oder Grok erfolgreich ist, aber bei Opus oder Sonnet fehlschlägt, ist der Anthropic-Klassifizierer die Einschränkung. Das ist ein starkes Signal und weist direkt auf den Workaround des Modellwechsels hin.
Wiederholte Fehler im selben Chat
Manche Chats werden "vergiftet": Sobald markierter Inhalt im Verlauf ist, sendet jede spätere Runde ihn erneut. Frisch zu starten ist oft die einzige zuverlässige Behebung für einen vergifteten Thread.
Stille Verschlechterung vor einer harten Blockierung
Manche Sitzungen verschlechtern sich, bevor sie ganz fehlschlagen. Das Modell verkürzt Antworten, lehnt einen Teilschritt ab oder beantwortet eine andere Frage als die, die Sie gestellt haben. Dies ist oft früher Klassifiziererdruck auf den umgebenden Kontext. Wenn Sie das Muster bemerken, bereinigen Sie den Kontext, bevor der harte Fehler eintritt.
Fehler, die zwischen Runden wandern
Eine Anfrage kann in Runde eins durchgehen und in Runde drei fehlschlagen, weil die dazwischenliegende Assistentenausgabe neues markiertes Material zum Verlauf hinzugefügt hat. Deshalb ist das erneute Versuchen im selben Thread unzuverlässig und deshalb löst ein frischer Chat so viele Fälle.
Was es auslöst
Der Klassifizierer reagiert auf Muster, nicht auf den Zweck Ihres Projekts. Die folgenden Kategorien machen den Großteil der Auslöser aus.
| Auslöser | Warum er ausgelöst wird | Beispiel in einem legitimen Workflow |
|---|---|---|
| Ausgabe von Sicherheitstooling | Liest sich wie Angriffs-Tooling | Semgrep- oder Burp-Ausgabe, die Injection-Payloads auflistet |
| Exploit- oder PoC-Code | Sieht wie funktionierender Exploit-Code aus | Ein CVE-Reproducer für eine Patch-Prüfung |
| Rohe Scan-Logs | Dicht gefüllt mit markierten Tokens | Vollständige nmap- oder nuclei-Ausgabe, komplett eingefügt |
| Credentials oder kodierte Blobs | Ähneln Secrets und Payloads | Base64-Strings, Tokens oder gehashte Dumps |
| Medizinischer oder juristischer Inhalt | Schlüsselwörter sensibler Domänen | Notizen aus einer HIPAA- oder Compliance-Prüfung |
| Gewalt in Spielinhalten | Gewalttätige Sprache außerhalb des Kontexts | Kampfdialoge oder Design eines Schadenssystems |
| Große eingefügte Dateien | Gemischter Inhalt erzeugt viele Signale | Eine ganze Repository-Datei ohne Kürzung angehängt |
Eine einzelne Kategorie löst selten allein eine Blockierung aus. Der Klassifizierer wird tendenziell ausgelöst, wenn mehrere Signale sich stapeln: zum Beispiel ein rohes Scan-Log mit kodierten Blobs, eingefügt neben exploit-förmigem Code, innerhalb einer Anfrage, die nach einem "Angriffsplan" fragt.
Die obigen Kategorien sind illustrativ, nicht erschöpfend. Neue Auslöser entstehen, wenn sich Modelle und Klassifizierer ändern, also behandeln Sie jede wiederkehrende Blockierung als Signal, zu prüfen, was im angehängten Kontext ist, statt als feste Liste zum Auswendiglernen.
Warum es in legitimer Arbeit passiert
Sicherheits-, Gesundheits- und juristische Entwicklung erfordern routinemäßig Text, der genau wie der Inhalt aussieht, den der Klassifizierer stoppen soll. Das ist normal und zu erwarten.
- Penetrationstests: Exploit-Payloads, PoCs und Finding-Reports sind das Ergebnis.
- Malware-Analyse: Sample-Strings, Disassembly und IOCs sehen von Natur aus verdächtig aus.
- Sicherheitsprüfungen: Einen Patch auf eine Schwachstelle zu prüfen bedeutet, den verletzlichen Code zu lesen.
- Red-Team-Tooling: Das Schreiben oder Debuggen offensiver Tooling liest sich als offensive Absicht.
Der Klassifizierer kann "hilf mir, dieses CVE zu beheben" nicht allein am Ton von "hilf mir, dieses CVE auszunutzen" unterscheiden, also wird ehrliche Arbeit erfasst. Ihre Aufgabe ist, denselben technischen Inhalt in einer Form zu senden, die sich als Behebung statt als Angriffsplan liest.
Ein nützlicher Test, bevor Sie eine sensible Anfrage senden: Lesen Sie sie, als hätte ein Fremder sie ohne Kontext zu Ihrer Rolle erhalten. Wenn der erste Absatz für eine Anfrage gehalten werden könnte, Schaden zu verursachen, wird der Klassifizierer das wahrscheinlich auch tun. Für diesen Fremden umzuschreiben reicht meist aus, um die Blockierung aufzulösen.
Sofortige Workarounds
Arbeiten Sie diese Liste vom Günstigsten zum Aufwendigsten durch. Die meisten Blockierungen lösen sich in den ersten zwei oder drei Schritten auf.
Reihenfolge der Vorgehensweisen
Beginnen Sie mit der günstigsten Änderung, die Sie auf Ihrem bevorzugten Modell hält: umformulieren oder redigieren. Wenn das fehlschlägt, verengen Sie den Kontext. Wechseln Sie das Modell erst, nachdem Wortlautänderungen nicht mehr wirken, und starten Sie einen frischen Chat erst, wenn der Thread selbst das Problem ist. In dieser Reihenfolge zu arbeiten vermeidet unnötigen Aufwand und hält Ihre Modellwahl stabil, wenn es keinen Grund gibt, sie zu ändern.
1. Formulieren Sie die Anfrage um
Stellen Sie das defensive Ziel voran und beschreiben Sie das Artefakt neutral. Ersetzen Sie "schreibe einen Exploit für X" durch "erkläre die Grundursache von X und den Patch, der sie behebt". Ersetzen Sie "wie umgehe ich Y" durch "welche Kontrolle verhindert Y und wie verifiziere ich, dass sie aktiviert ist".
2. Formulieren Sie die Absicht ausdrücklich neu
Nennen Sie den Zweck im ersten Satz. Formulierungen wie "für defensive Zwecke", "als Teil einer Behebungsprüfung" und "um einen Regressionstest zu schreiben" geben dem Klassifizierer Kontext, der dem rohen Text fehlt.
3. Teilen Sie den Kontext auf
Senden Sie das verdächtige Material isoliert und stellen Sie eine enge Frage dazu, statt es mit einer breiten "analysiere alles"-Anfrage zu bündeln. Weniger gestapelte Signale bedeuten eine geringere Chance, den Klassifizierer auszulösen.
4. Redigieren Sie markierte Schnipsel
Ersetzen Sie die tatsächlichen Bytes durch Platzhalter. Setzen Sie REDACTED_TOKEN, REDACTED_PAYLOAD oder <secret-value> ein und bitten Sie das Modell, über Struktur und Form statt über den wörtlichen Inhalt nachzudenken.
Instead of pasting the raw payload:
payload = b"\x90\x90\x90...\xcc"
Paste a redacted form:
payload = b"<REDACTED_SHELLCODE>"
Length: 412 bytes
Ask: what defenses would detect this class of payload at the WAF layer?
5. Starten Sie einen frischen Chat
Wenn der Thread durch frühere markierte Ausgabe vergiftet ist, verwirft eine neue Unterhaltung diesen Verlauf. Das ist oft schneller, als zu versuchen, einen alten Thread zu bereinigen.
6. Reduzieren Sie angehängten Kontext
Lösen Sie @-erwähnte Dateien und eingefügte Blöcke, die Sie nicht brauchen. Jede zusätzliche Datei fügt Oberfläche hinzu, auf die der Klassifizierer reagieren kann.
7. Wechseln Sie das Modell
Verschieben Sie die Aufgabe auf ein Nicht-Anthropic-Modell: GPT, Gemini oder Grok. Der Klassifizierer ist Anthropic-spezifisch, also geht derselbe Inhalt woanders meist durch.
8. Warten Sie und versuchen Sie es erneut
Das Verhalten des Klassifizierers ist über die Zeit nicht perfekt deterministisch. Ein erneuter Versuch nach kurzem Warten gelingt gelegentlich ohne Änderung, obwohl Sie sich nicht darauf als primäre Behebung verlassen sollten.
Was Sie nicht tun sollten
Ebenso wichtig ist, was Sie vermeiden sollten, weil diese Muster Zeit verschwenden und das Blockieren verschlimmern können:
- Fügen Sie dieselbe blockierte Anfrage nicht wiederholt ein; identische Eingaben neigen dazu, identisch zu fehlschlagen
- Eskalieren Sie nicht mit einer "Jailbreak"-artigen Eingabe; das erhöht die Sensibilität, statt sie zu senken
- Fügen Sie nicht mehr Rohinhalt ein in der Hoffnung zu klären; zusätzlicher Kontext fügt nur Signale hinzu
- Nehmen Sie nicht an, das Modell funktioniere fehlerhaft; die Anfrage hat das Modell nie erreicht
- Verwenden Sie einen Thread nicht weiter, nachdem er konsequent fehlschlägt; sein Verlauf ist das Problem
- Bearbeiten Sie nicht ein Wort und senden Sie sofort erneut; kleine Änderungen helfen selten, größere Neuformulierungen schon
Bei einer harten Blockierung bei einer substanziellen Aufgabe wechseln Sie zuerst zu einem Nicht-Anthropic-Modell und versuchen Sie es später optional bei Sonnet mit kürzerem, saubererem Kontext erneut. Das Wechseln des Modells hebt die Blockierung sofort auf und hält Sie in Bewegung.
Langfristige Prävention
Die Blockierungen sind lästig, aber reduzierbar. Das Ziel ist, Ihren Kontext fokussiert und frei von rohem markiertem Material zu halten.
Halten Sie Rules fokussiert und kurz
Eine .cursor/rules-Datei, die hunderte Zeilen lang ist, wird an viele Anfragen angehängt und vervielfacht die Chance eines versehentlichen Auslösers. Halten Sie Rules auf das begrenzt, was das Modell für die aktuelle Arbeit tatsächlich braucht.
Fügen Sie niemals rohe Secrets ein
Fügen Sie keine Keys, Tokens oder Dumps ein. Wenn Sie über ein Secret-Format nachdenken müssen, verwenden Sie einen Platzhalter und beschreiben Sie die Form. Das vermeidet den Credentials-und-Blobs-Auslöser vollständig.
Fassen Sie Scan-Ausgaben zusammen
Fügen Sie keinen tausendzeiligen Scanner-Dump ein. Extrahieren Sie die relevanten Findings, behalten Sie die Top Ten und beschreiben Sie den Rest in Prosa. Zusammenfassungen tragen weit weniger markierte Tokens.
Hängen Sie nur an, was Sie brauchen
Verwenden Sie @-Erwähnungen, um bestimmte Dateien anzuhängen, statt ein ganzes Verzeichnis hineinzuziehen. Enger Kontext ist sowohl günstiger als auch weniger wahrscheinlich, einen Klassifizierer auszulösen.
Führen Sie ein Safe-Context-Projekt
Für wiederkehrende sensible Arbeit führen Sie ein dediziertes Projekt, dessen Dateien bereinigte Inhalte im Dokumentationsstil enthalten: Grundursachen-Analysen, Behebungsnotizen und Testpläne statt roher Artefakte. Richten Sie sensible Fragen an dieses Projekt.
Verfolgen Sie, welche Dateien riskant sind
Führen Sie eine kurze Notiz darüber, welche Dateien in Ihrem Projekt dazu neigen, Blockierungen auszulösen, etwa rohe Scan-Exporte oder Fixture-Payloads. Verweisen Sie bei Bedarf namentlich auf sie und vermeiden Sie, sie standardmäßig anzuhängen. Eine gepflegte Risikoliste ist besser als jede Woche denselben Auslöser neu zu entdecken.
Bevorzugen Sie Struktur gegenüber Volumen
Langer, undifferenzierter Kontext lädt gestapelte Signale ein. Brechen Sie eine große Anfrage in eine Reihe kleiner, zweckgebundener Anfragen auf, jede mit dem minimalen angehängten Inhalt. Das verbessert auch die Antwortqualität, sodass die Änderung sich doppelt auszahlt.
Sobald eine markierte Antwort in einer Unterhaltung landet, senden spätere Runden sie als Verlauf erneut. Wenn ein Chat wiederholt zu fehlschlagen beginnt, behandeln Sie ihn als kompromittiert und starten Sie einen neuen, statt Runde für Runde gegen die Blockierung anzukämpfen.
Arbeiten mit Sicherheits- und Compliance-Inhalten
Einige Felder benötigen routinemäßig Inhalte, die als sensibel gelesen werden. Die folgenden Muster bringen diese Aufgaben ohne wiederholte Blockierungen durch.
Penetrationstests und Red Team
Rahmen Sie die Arbeit ab der ersten Zeile als Behebung ein und halten Sie das Ziel abstrakt.
- Fragen Sie nach der Klasse der Schwachstelle und ihrer Behebung, nicht nach einem Schritt-für-Schritt-Exploit
- Ersetzen Sie echte Hostnamen, Tokens und Payloads durch Platzhalter
- Beschreiben Sie Findings in Prosa und hängen Sie nur den konkreten zu prüfenden Code an
- Halten Sie die Scope-Sprache ausdrücklich, zum Beispiel "autorisierte Bewertung, Scope: interne Testumgebung"
Malware- und Forensik-Analyse
Sample-Strings und Disassembly lesen sich standardmäßig als feindselig, also funktioniert ein isoliertes, dokumentiertes Muster am besten.
- Verschieben Sie das rohe Sample in eine separate Datei und verweisen Sie namentlich darauf, statt es einzufügen
- Fragen Sie nach Verhaltensklassen und Erkennungsregeln statt nach "was tut das"
- Fassen Sie Indikatoren zusammen, statt vollständige Logs einzufügen
- Führen Sie ein dediziertes Analyseprojekt, dessen indizierte Dateien bereinigte Artefakte enthalten
Medizinische, juristische und regulierte Daten
Inhalte aus regulierten Domänen tragen eigene Schlüsselwörter, die den Klassifizierer auslösen können, selbst wenn die Aufgabe rein technisch ist.
- Entfernen Sie Patienten-, Kunden- oder Fallkennungen und ersetzen Sie sie durch synthetische Werte
- Halten Sie die technische Frage vom Domänen-Narrativ getrennt
- Bevorzugen Sie Schema- und Strukturbeschreibungen gegenüber wörtlichen Datensatzinhalten
- Beschreiben Sie die Form der Daten und fragen Sie nach der Verarbeitungslogik, statt echte Datensätze zu lesen
Ein bereinigtes Referenzset aufbauen
Für wiederkehrende Arbeit stellen Sie ein kleines Set von Dateien im Dokumentationsstil zusammen, die dasselbe Material in neutralen Begriffen beschreiben: Grundursachen-Analysen, Behebungsnotizen, Testpläne und Kontrollbeschreibungen. Richten Sie sensible Fragen an diese Dateien statt an rohe Artefakte. Über ein paar Wochen wird dies der zuverlässige Weg, und der Weg über rohe Artefakte klingt ab.
Namen durch fiktive zu ersetzen hilft, aber dichte klinische oder juristische Formulierungen können den Klassifizierer für sich allein auslösen. Wenn das passiert, verengen Sie die Anfrage auf die konkrete technische Frage und lassen Sie das umgebende Narrativ ganz weg.
Modellwechsel versus Prompt-Umschreibung wählen
Beide Behebungen wirken, und die richtige hängt davon ab, wie zentral Claude für Ihre Aufgabe ist.
| Situation | Beste erste Maßnahme | Warum |
|---|---|---|
| Einmalige Frage blockiert | Prompt umschreiben | Hält Sie auf Ihrem bevorzugten Modell |
| Großer Kontext bereits vorbereitet | Modell wechseln | Vermeidet, Anhänge von Grund auf neu aufzubauen |
| Aufgabe braucht speziell Claude | Umschreiben und redigieren | Sie brauchen weiterhin Claudes Verhalten |
| Wiederholte Blockierungen in einem Projekt | Projekt umstrukturieren | Bekämpfen Sie die Grundursache, nicht das Symptom |
| Zeitdruck | Jetzt Modell wechseln, später erneut versuchen | Schnellster Weg zur Entblockierung |
Wann Sie den Prompt umschreiben sollten
Schreiben Sie um, wenn die Blockierung Wortlaut, Framing oder einen einzelnen markierten Schnipsel betrifft. Diese Änderungen sind günstig, halten Sie bei Claude und erzeugen oft als Nebeneffekt einen besseren Prompt, weil ein defensives Framing meist auch ein klareres ist.
Wann Sie das Modell wechseln sollten
Wechseln Sie, wenn der Inhalt von Natur aus markiert ist, wenn der Kontext groß und teuer neu aufzubauen ist oder wenn Sie unter Zeitdruck stehen. GPT, Gemini und Grok wenden den Anthropic-Klassifizierer nicht an, also geht dasselbe Material meist sofort durch.
Wann Sie das Projekt umstrukturieren sollten
Wenn Blockierungen über viele Runden derselben Arbeit wiederkehren, sind die eigenen Dateien des Projekts der Auslöser. Verschieben Sie rohe Artefakte aus den angehängten Pfaden, behalten Sie bereinigte Zusammenfassungen in den indizierten Dateien und richten Sie sensible Fragen an diese Zusammenfassungen. Das entfernt den Auslöser an der Quelle, statt jeden Prompt zu flicken.
Behalten Sie ein Anthropic-Modell und ein Nicht-Anthropic-Modell in Ihrer Modellliste, damit ein Wechsel ein einziger Klick ist. Eine blockierte Anfrage in Sekunden seitwärts bewegen zu können ist das, was diesen Fehler von einem harten Stopp in einen kleinen Umweg verwandelt.
Ein falsch-positives Ergebnis über den Cursor-Support an Anthropic melden
Wenn eine Blockierung eindeutig falsch ist und echte Arbeit blockiert, melden Sie sie. Cursor sammelt diese Meldungen und leitet das Muster an Anthropic weiter, und genügend Meldungen zum selben Thema ändern das Klassifiziererverhalten mit der Zeit tatsächlich.
Was Sie angeben sollten
Liefern Sie eine reproduzierbare, minimale Beschreibung statt eines langen Narrativs:
Model: Claude Sonnet (or Opus)
Task: reviewing a security patch for CVE-XXXX-YYYY
Prompt (summarized): explain the root cause and write a regression test
Context attached: two files, both sanitized, no secrets
Result: sensitive prompt error, request never reached the model
Reproduced on: 3 attempts in the same chat, 1 attempt in a fresh chat
Notes: same prompt succeeded on GPT and Gemini. This reads as a false
positive on a defensive security workflow.
Geben Sie den Modellnamen, den bereinigten Prompt und die Tatsache an, dass er reproduziert. Fügen Sie den rohen sensiblen Inhalt selbst nicht in die Meldung ein; eine Beschreibung der Form reicht aus und vermeidet, die Filter im Support-Tooling erneut auszulösen.
Wohin Sie sie senden
Verwenden Sie das In-App-Supportformular oder die veröffentlichte Support-Adresse. Geben Sie den Modellnamen, den bereinigten Prompt, die Reproduktionsschritte und eine einzeilige Beschreibung des defensiven Zwecks an. Hängen Sie nichts Rohes an. Selbst wenn der Support die Blockierung nicht reproduzieren kann, können sie das Muster dennoch an Anthropic weiterleiten, und wiederkehrende Meldungen zum selben Thema sind es, was den Klassifizierer schließlich bewegt.
Eine Meldung mit einer stabilen Reproduktion und einem klaren defensiven Zweck ist weit nützlicher als eine Meldung, die nur sagt "der Fehler tritt immer wieder auf". Spezifität ist es, was das Muster vorgelagert handlungsfähig macht.
Schnellreferenz-Fehlerbehebungstabelle
Verwenden Sie diese Tabelle, um vom Symptom zur Behebung zu gelangen, ohne den gesamten Leitfaden erneut zu lesen.
| Symptom | Wahrscheinliche Ursache | Behebung |
|---|---|---|
| Fehler beim ersten Senden, Anthropic-Modell | Prompt oder Kontext hat den Klassifizierer ausgelöst | Umformulieren, Absicht neu rahmen, redigieren oder Modell wechseln |
| Funktioniert bei GPT/Gemini, aber nicht bei Opus/Sonnet | Nur-Anthropic-Klassifizierer | Wechseln Sie zu einem Nicht-Anthropic-Modell |
| Chat stoppt mitten in der Antwort, dann Fehler | Vorherige Ausgabe jetzt im Verlauf markiert | Starten Sie einen frischen Chat |
| Fehlschlag in jeder Runde eines Threads | Vergifteter Unterhaltungsverlauf | Starten Sie einen neuen Chat; versuchen Sie nicht an Ort und Stelle erneut |
| Fehlschlag nach Anhängen einer Datei | Der angehängte Inhalt trägt Auslöser | Reduzieren oder bereinigen Sie den angehängten Kontext |
| Fehlschlag bei großem Einfügen | Gemischte Signale aus einem großen Block | Teilen Sie in kleinere, fokussierte Anfragen auf |
| Fehlschlag bei Scan- oder Exploit-Ausgabe | Liest sich als Angriffsmaterial | Fassen Sie zusammen, statt rohe Ausgabe einzufügen |
| Unregelmäßig, kein klarer Auslöser | Randverhalten des Klassifizierers | Versuchen Sie einmal erneut, wechseln Sie dann das Modell, wenn es anhält |
Das Muster über alle diese hinweg ist dasselbe: Der Klassifizierer liest Textur, also gewinnen Sie, indem Sie die Textur dessen ändern, was Sie senden, indem Sie den Kontext verengen oder indem Sie die Anfrage auf ein Modell verschieben, das diesen Klassifizierer nicht anwendet.
Behandeln Sie den Fehler als Signal über Ihren Kontext statt als Urteil über Ihre Arbeit. Die Form dessen anzupassen, was Sie senden, hält legitime Sicherheits-, Compliance- und Analyseaufgaben in Bewegung, während die Sicherheitsebene für die Fälle intakt bleibt, für die sie gebaut wurde.
Führen Sie eine kurze Notiz über die Workarounds, die jede Blockierung gelöst haben, auf die Sie gestoßen sind. Mit der Zeit wird diese Notiz zu einem persönlichen Playbook, und die nächste Blockierung löst sich in Sekunden, statt Sie eine Debugging-Sitzung zu kosten.