實作：設置你的紅隊環境

設置完整 AI 紅隊環境之逐步指南——Python、API 客戶端、掃描工具與本地模型。

先備知識

• 系統上已安裝 Python 3.9 或更新版本
• 終端機或命令列介面
• 至少一個 API 金鑰（OpenAI 或 Anthropic）——或僅使用本地模型之意願
• 10 GB 可用磁碟空間（若執行本地模型需 50 GB）

環境設置

1. 1

   建立專案目錄

   為你所有紅隊工作建立專屬目錄。此目錄將放你的虛擬環境、腳本、結果與組態。

   mkdir -p ~/ai-redteam/labs
   mkdir -p ~/ai-redteam/results
   mkdir -p ~/ai-redteam/wordlists
   cd ~/ai-redteam

2. 2

   建立 Python 虛擬環境

   永遠使用虛擬環境以將紅隊依賴與系統 Python 隔離。

   python3 -m venv .venv
   source .venv/bin/activate  # Linux/macOS
   # 於 Windows：.venv\Scripts\activate

   驗證虛擬環境已啟用：

   which python
   # 應顯示：/home/youruser/ai-redteam/.venv/bin/python

3. 3

   安裝核心套件

   安裝與 LLM API 互動並進行紅隊測試所需之必要套件。

   pip install --upgrade pip
   pip install openai anthropic requests python-dotenv
   pip install pandas tabulate  # 供結果分析

4. 4

   安裝紅隊框架

   安裝主要之開源紅隊工具。

   # Garak - LLM 漏洞掃描器
   pip install garak
    
   # Microsoft PyRIT - Python Risk Identification Toolkit
   pip install pyrit
    
   # 其他有用之工具
   pip install transformers torch  # 供本地模型工作
   pip install jailbreakbench     # Jailbreak 基準

5. 5

   安全組態 API 金鑰

   絕勿將 API 金鑰硬編碼於腳本。使用於版本控制中被排除之 .env 檔案。

   建立你的 .env 檔：

   cat > .env << 'EOF'
   OPENAI_API_KEY=sk-your-openai-key-here
   ANTHROPIC_API_KEY=sk-ant-your-anthropic-key-here
   # 可選：加入其他供應商
   TOGETHER_API_KEY=your-together-key-here
   EOF

   設定嚴格權限：

   chmod 600 .env

   建立 .gitignore 以防止意外提交：

   echo ".env" >> .gitignore
   echo ".venv/" >> .gitignore
   echo "results/" >> .gitignore

   於你的 Python 腳本中使用 python-dotenv 載入金鑰：

   安全載入 API 金鑰pythonShow code

   import os
   from dotenv import load_dotenv
    
   load_dotenv()  # 自 .env 檔載入
    
   openai_key = os.getenv("OPENAI_API_KEY")
   anthropic_key = os.getenv("ANTHROPIC_API_KEY")
    
   if not openai_key and not anthropic_key:
       raise EnvironmentError(
           "No API keys found. Create a .env file with "
           "OPENAI_API_KEY or ANTHROPIC_API_KEY."
       )

6. 6

   為本地模型設置 Ollama

   Ollama 使你得以於本機免費、無限制地執行模型。這對初步實驗理想。

   安裝 Ollama：

   # Linux
   curl -fsSL https://ollama.ai/install.sh | sh
    
   # macOS（經 Homebrew）
   brew install ollama

   啟動 Ollama 伺服器並拉取模型：

   ollama serve &  # 於背景啟動
   ollama pull llama3.2      # ~2GB，良好之通用模型
   ollama pull mistral        # ~4GB，強指令遵循

   驗證其運作中：

   curl http://localhost:11434/api/tags
   # 應回傳列出你已下載模型之 JSON

7. 7

   可選：為隔離測試設置 Docker

   為最大隔離，你可於 Docker 容器內執行測試目標。

   # 若未安裝則安裝 Docker
   # 見 https://docs.docker.com/engine/install/
    
   # 拉取用於測試之含脆弱聊天機器人之容器
   docker pull ghcr.io/redteams-ai/vulnerable-chatbot:latest
    
   # 於 port 8080 執行
   docker run -d -p 8080:8080 ghcr.io/redteams-ai/vulnerable-chatbot:latest

8. 8

   驗證你的環境

   執行此驗證腳本以確認一切正確設置。

   verify_setup.pypythonShow code

   #!/usr/bin/env python3
   """驗證 AI 紅隊環境已正確組態。"""
    
   import sys
   import os
    
   def check_python_version():
       version = sys.version_info
       if version.major >= 3 and version.minor >= 9:
           print(f"[PASS] Python {version.major}.{version.minor}.{version.micro}")
           return True
       print(f"[FAIL] Python {version.major}.{version.minor} -- need 3.9+")
       return False
    
   def check_package(name):
       try:
           __import__(name)
           print(f"[PASS] {name} is installed")
           return True
       except ImportError:
           print(f"[FAIL] {name} is NOT installed")
           return False
    
   def check_api_keys():
       from dotenv import load_dotenv
       load_dotenv()
    
       keys_found = 0
       for key_name in ["OPENAI_API_KEY", "ANTHROPIC_API_KEY"]:
           value = os.getenv(key_name)
           if value and not value.startswith("your-"):
               print(f"[PASS] {key_name} is configured")
               keys_found += 1
           else:
               print(f"[WARN] {key_name} is not configured")
    
       return keys_found > 0
    
   def check_ollama():
       try:
           import requests
           resp = requests.get("http://localhost:11434/api/tags", timeout=3)
           models = resp.json().get("models", [])
           print(f"[PASS] Ollama is running with {len(models)} model(s)")
           return True
       except Exception:
           print("[WARN] Ollama is not running (optional)")
           return False
    
   if __name__ == "__main__":
       print("=== AI Red Team Environment Verification ===\n")
    
       results = []
       results.append(check_python_version())
    
       print()
       packages = ["openai", "anthropic", "requests", "dotenv",
                    "pandas", "garak"]
       for pkg in packages:
           results.append(check_package(pkg))
    
       print()
       results.append(check_api_keys())
    
       print()
       check_ollama()
    
       print()
       passed = sum(results)
       total = len(results)
       print(f"=== Results: {passed}/{total} checks passed ===")
    
       if passed == total:
           print("Your environment is ready. Proceed to the next lab.")
       else:
           print("Fix the failing checks before continuing.")
           sys.exit(1)

   執行驗證：

   python verify_setup.py

   預期輸出（所有元件皆已安裝時）：

   === AI Red Team Environment Verification ===
   
   [PASS] Python 3.11.5
   [PASS] openai is installed
   [PASS] anthropic is installed
   [PASS] requests is installed
   [PASS] dotenv is installed
   [PASS] pandas is installed
   [PASS] garak is installed
   
   [PASS] OPENAI_API_KEY is configured
   
   [PASS] Ollama is running with 2 model(s)
   
   === Results: 8/8 checks passed ===
   Your environment is ready. Proceed to the next lab.
   

目錄結構

完成設置後，你的專案目錄應看起來像：

~/ai-redteam/
├── .env                # API 金鑰（絕勿提交）
├── .gitignore          # 排除 .env、.venv、results
├── .venv/              # Python 虛擬環境
├── requirements.txt    # 釘選之依賴
├── verify_setup.py     # 環境驗證腳本
├── labs/               # 你的實作工作於此
└── results/            # 測試輸出與報告

疑難排解

下一步

環境就緒後，繼續 你的第一次提示注入 以開始動手測試。你亦將於 打造測試 Harness 實作中使用此環境以建立可重用之測試基礎設施。

相關主題

• 你的第一次提示注入 - 系列中之下一個實作，於其中你使用此環境執行首次攻擊
• 打造測試 Harness - 以此處安裝之工具自動化提示測試
• 以 Garak 掃描 - 使用你已安裝之 Garak 框架進行自動化漏洞掃描
• 工具景觀 - 超越本實作所安裝者之更廣紅隊工具概觀

參考資料

• "Garak: A Framework for LLM Vulnerability Scanning" - NVIDIA/garak（2024）- Garak 漏洞掃描器之官方文件
• "PyRIT: Python Risk Identification Toolkit" - Microsoft（2024）- Microsoft 紅隊框架之文件
• "Ollama Documentation" - Ollama（2024）- 本實作所使用之本地 LLM 執行指南
• "OpenAI API Reference" - OpenAI（2025）- 紅隊中最常用 LLM 供應商之 API 文件