Anthropic 表示，其最新模型 Opus 5 在自有軟體生態系中，幾乎不受提示注入攻擊影響。提示注入是一種攻擊手法，攻擊者透過被操縱的輸入，例如嵌入網頁中的隱藏文字，繞過 AI 模型的操作指令；在幾乎所有測試情境中，這類攻擊都未能成功影響 Opus 5。

根據 Opus 5 系統卡，在 129 個測試情境中，瀏覽器代理的攻擊成功率達到零％。這與 OpenAI 於 12 月承認提示注入可能永遠無法完全解決形成明顯對比。

在安全公司 Gray Swan 進行的一般提示注入評估中，15 次嘗試後的成功率從 Opus 4.8 的 5.5％降至 Opus 5 的 2.0％；相關細節載於系統卡的安全測試章節。

不過，瀏覽器代理達成零％的結果，取決於在 Claude Cowork 等產品中啟用 Auto Mode。Auto Mode 部署了兩層防禦：一層會在模型處理資料前，掃描傳入資料中的隱藏指令；另一層則會在執行前阻止危險操作。攻擊者必須分別突破這兩層防線才可能成功。

如果沒有這些保護措施，Opus 5 對提示注入的受攻擊率為 3.7％。值得注意的是，在相同未受保護的設定下，Sonnet 5 表現更好，比例為 0.93％。只有將 Opus 5 模型與 Auto Mode 防護軟體結合，才能在瀏覽器代理情境中把攻擊成功率降至零。

提示注入一直被廣泛視為 AI 代理面臨的重大安全挑戰之一。AI 代理是可代表使用者瀏覽網頁、閱讀文件並採取行動的自主系統。由於這些代理會經常處理不受信任的外部內容，惡意行為者可能在其中嵌入指令，以覆寫代理原本的指令。這項漏洞長期以來都是整個 AI 產業的持續隱憂，也是代理式 AI 系統更廣泛部署的主要障礙。包括 Google 和 OpenAI 在內的大型 AI 實驗室也在開發瀏覽器代理產品；隨著這些工具朝更廣泛的消費者與企業用途推進，提示注入防護能力正成為競爭差異化因素。Anthropic 的結果顯示，將模型層級的訓練改進與架構性防護欄結合，可以降低風險；不過，這些發現特別適用於 Anthropic 自有生態系，未必能推廣至缺乏同等分層防禦的第三方部署。