Multi-agent Defense: роли, перефразирование и проверки против отклонений от задачи

LLM легко уводят от задачи через ролевые игры, обфускацию или постепенное размывание границ в диалоге. Проблема в helpful nature: универсальная модель пытается помочь даже за пределами компетенции — нет чётких границ «моя зона» vs «не моё». Метод решает это через три узких агента вместо одного универсального: Rephrase очищает запрос от вредоносных паттернов, Core LLM генерирует в рамках домена, Judge проверяет соответствие политикам. Если Judge отклоняет — цикл повторяется с корректировкой.