Id-Censor-Superego: скрытая манипулятивная цель проходит защиту LLM, если её "отмыть" через промежуточный слой

Обнаружено: модель реагирует не на смысл задачи, а на конкретные слова в ней — «обмани», «скрой» включают защиту, а та же цель без этих слов проходит спокойно. Метод показывает, как проверить AI-бота на скрытую предвзятость: убираешь триггерные слова из инструкции — и смотришь, развернётся ли ответ. Схема из трёх ролей пропускает грязную задачу через цепочку, где каждый следующий агент видит только обрубленный кусок контекста — финальная модель отвечает пользователю, не видя исходных «токсичных» слов, только очищенное намерение. Итог — ответ разворачивается на 180 градусов: от сопротивления цели к её поддержке.