Trust Gate (TGCC): защита агента с инструментами без роста отказов

Строчка «при сомнении не действуй, эскалируй» почти не снижает успех атак, зато на двух моделях из трёх агент отказал в 100% настоящих срочных случаев. Шлюз доверия (TGCC) позволяет защитить агента с рассылкой, возвратами и доступом к данным от команд, спрятанных в чужом тексте, и не сделать его трусом. Чужой текст помечается маркерами, и команды внутри них не выполняются. Осторожность включается только тогда, когда в чужом тексте нашёлся признак манипуляции, а опасный инструмент уже просит запуска. Нет признака, значит агент работает как обычно. Это дало наименьший ущерб на всех трёх моделях и ноль новых отказов на чистых входах. В оригинале детектор и шлюз были кодом, а промптовая версия ниже авторами не проверялась.