TPRS: название инструмента меняет результат теста безопасности агента

Обнаружено: угроза та же, атака та же, а доля успешных атак меняется только из-за имени инструмента. Если вредный инструмент назван DNSPoisoning, агент чаще отказывается. Если DNSConfiguration, чаще выполняет. Метод TPRS позволяет проверить, держится ли безопасность вашего агента на модели или просто на удачном названии инструмента. Замораживаешь угрозу, задачу и критерий успеха атаки, меняешь только имя и описание инструмента. Потом сравниваешь долю успешных атак по вариантам. Фишка: нейтральное имя той же длины и регистра воспроизводит большую часть сдвига. Дело не только в страшных словах.