LLM Security PRO: Prompt Injection, утечки, tool-abuse

11 участников

О чём курс

Курс «LLM Security PRO» представляет собой интенсивную практическую программу, сфокусированную на обеспечении безопасности RAG-сервисов и AI-агентов в условиях реального продакшена. В современном мире разработки LLM-приложений недостаточно полагаться исключительно на «правильные промпты», так как модели остаются внушаемыми и подверженными ошибкам при столкновении с вредоносными данными или запросами. Данный курс предлагает инженерный подход к созданию защитных контуров, которые позволяют удерживать систему в рамках безопасности, предотвращая несанкционированные действия и утечки данных.

Программа обучения построена вокруг создания локального учебного приложения, включающего RAG, инструменты (tools), API и пользовательский интерфейс. Вы будете запускать это приложение на собственном компьютере, подключая его к реальной LLM через OpenAI API. Такой подход позволяет на практике увидеть типовые уязвимости, такие как injection, утечки данных, опасные действия инструментов и атаки типа Cost-DoS. После этапа анализа вы перейдете к внедрению многоуровневых систем защиты: от создания policy-layer и защиты RAG-контекста до настройки allowlist, скоупов для инструментов, строгой валидации вывода, redaction и лимитов стоимости. Финальным этапом обучения станет создание red-team test suite и внедрение security-gates в CI/CD, что позволит предотвратить регрессы и обеспечить стабильную безопасность при обновлении продукта.

Курс ориентирован на Python-разработчиков, ML и DE инженеров, тимлидов, архитекторов, а также специалистов в области AppSec и DevSecOps, которые занимаются внедрением LLM в продукты и стремятся сделать этот процесс предсказуемым и защищенным. Формат обучения включает использование кода и шаблонов на GitHub, при этом нет необходимости поднимать сложные облачные сервисы — все API-ключи хранятся локально, а в заданиях используются синтетические данные, что исключает риски работы с реальными ПДн или секретами. Вы получите глубокое понимание того, как защитить систему от indirect injection, tool-abuse и других угроз, а также научитесь выстраивать процессы, соответствующие стандартам безопасности, включая OWASP LLM Top-10 и threat modeling. Прохождение курса даст вам уверенность в надежности вашего AI-решения, позволяя минимизировать риски и обеспечить соответствие корпоративным стандартам безопасности.

Программа обучения

Старт Введение в курс Демо: как агент может ошибиться Модель угроз для LLM-приложений Активы и поверхности атаки Приоритизация: что чинить первым Политики и “контракт безопасности” Direct Prompt Injection Почему промпт не является защитой Фикс №1: разделение инструкций и данных Фикс №2: policy layer вне LLM Indirect Injection через RAG (самый жир) Почему документы опасны Фиксы для RAG-контекста Grounding, цитирование и provenance как защита Heavy-Hitters и Top-K на потоках Heap+hash и резервуарная выборка Tools security (excessive agency) Почему tools опаснее текста Allowlist и валидация параметров инструментов Scopes и approvals Insecure Output Handling Почему нельзя доверять JSON/SQL/URL от модели Строгий структурированный вывод Санитайзеры и запрет "склейки строк" Leakage: секреты, ПДн, корпоративные данные Что такое утечка в LLM-системах Redaction и политика логов Минимизация данных и "privacy by design" Cost-DoS, циклы, надёжность как security Как "кладут" LLM-приложения по бюджету Лимиты и stop conditions Rate limit, quotas, circuit breaker Security testing, релизные гейты и РФ-чеклист Red-team suite: как тестировать безопасность LLM-приложения Security gate в CI/CD РФ-модуль "по минимуму": что помнить, чтобы не встрять Финальный проект Защищаем LLM-агента

Складчина создана 11 апреля 2026 г. · описание обновлено 3 мая 2026 г.

Теги курса

Инструменты

Другие материалы автора 11

АМ Алексей Малышкин Все материалы
1 310 ₽ 12 990 ₽