第 7 章 開発工程への組み込み7.5
AI エージェントのセキュリティ検査に使う OSS の役割と選び方
プロンプトインジェクション、ジェイルブレイク、ツールの悪用、情報の漏えいを確かめる OSS を、攻撃を作る検査・入出力の守り・記録との照合の三つの役割に分け、開発中・CI・本番での置き場所と選び方をまとめます。
要点
- AI エージェントのセキュリティ検査に使う OSS は、攻撃の文を自動で作って当てる検査(garak、PyRIT、promptfoo のレッドチーム機能など)と、実行時に入出力を検査する守り(LLM Guard、NeMo Guardrails など)に分かれます。
- 行動の被害や、道具が想定していない秘密の漏えいを判断するには、どちらの結果もエージェントの実行記録と照合する必要があります。
- 開発中は幅広く当てて弱点の傾向を見て、CI では合否を決められる少数の試験で後戻りを止め、本番では入出力の守りと記録の監視で被害を抑えます。
- 道具は、確かめたい危険、終了コードなどの組み込みやすさ、外部への送信の有無、メンテナンスの状況で選びます。
定義
- レッドチームの OSS
- 攻撃の文を自動で作ってモデルやエージェントへ送り、望ましくない応答が返るかを採点するオープンソースの道具です。
- ガードレール
- 実行時に入力や出力を検査し、危険なものを止めたり書き換えたりする仕組みです。
- カナリア
- 漏れたら分かるように、検証用のデータへ埋めておく一意の文字列です。
AI エージェントのセキュリティ検査とは、外部の文書などに含まれる信頼できない指示を正規の指示として扱わないか、許していない操作をしないか、秘密を漏らさないかを、作る側が確かめる活動です。AI エージェントは、文章を生成するだけでなく、ファイルの読み取りやメールの送信などの道具を呼び出して仕事を進めます。そのため、不適切な文章を返すことに加えて、不適切な行動をとることも検査の対象になります。
検査に使える OSS は増えましたが、名前が似ていても役割は同じではありません。以下では、確かめる危険の種類ごとに、どの役割の道具を開発のどの段階に置くかを整理します。道具を実際に動かした結果は二つの記事にまとめています。自作の検証用エージェントに攻撃を作る検査を当てた結果はレッドチームの OSS を同じエージェントで比べた結果、固定した入力と出力の集合に入出力の検査をかけた結果は入出力の検査の OSS を同じ入力で比べた結果です。検査は、自分たちが所有するか、所有者の許可を得た対象にだけ行います。
確かめる危険と道具の対応
最初に決めるのは、どの危険を確かめるかです。危険ごとに、攻撃を作る検査で試せることと、実行時の守りで止められることが違います。次の表は、危険の種類と、それぞれを確かめる方法の対応です。各危険の仕組みは表のリンク先で説明しています。
| 確かめる危険 | 何が起きるか | 攻撃を作る検査で試すこと | 実行時の守り | 記録で確かめること |
|---|---|---|---|---|
| 直接のプロンプトインジェクション | 利用者の入力がエージェントの指示を書き換える(1.2) | 指示の上書き、別の人格の演技を求める文 | 入力の検査 | 指示に反した応答や行動の有無 |
| 間接のプロンプトインジェクション | 読み込んだ文書やウェブの中の指示に従う(1.2) | 文書に指示を埋めた入力 | 外部の内容を指示と区別して渡す、出力と行動の検査 | 文書を読んだ後の行動 |
| ジェイルブレイク | 安全のための拒否を外させる | ひな形を使った多数の言い換え | 入力と出力の検査 | 有害な内容の出力 |
| ツールの悪用・過剰な行動 | 許していない操作を実行する(1.3) | 多段の会話で操作を促す | ツールの側の権限の確認、承認 | ツール呼び出しの宛先と引数 |
| 情報の漏えい | システムプロンプト、個人情報、認証情報が出る(1.4) | 指示の開示や個人情報を求める文 | 出力の検査、項目の絞り込み | カナリアや秘密の値の出現 |
抜けやすいのは、表の右端の列です。私たちが三つのレッドチームの OSS を同じエージェントに当てた実験では、模擬のメール送信ツールが社外宛ての送信を受け付けたと記録された会話 2 件を、検査ツールの採点器が「攻撃は未達成」と判定しました。応答を採点する方式だけでは、この 2 件は数えられませんでした。行動の被害は、ツール呼び出しの記録と照合して数えます。
道具の三つの役割
セキュリティ検査に使う OSS は、役割で三つに分けると選びやすくなります。一つの道具が複数の役割を持つこともありますが、置く場所と結果の読み方は役割ごとに違います。
攻撃を自動で作る検査
レッドチームの OSS は、攻撃の文を自動で作ってエージェントへ送り、応答を採点します。garak は、攻撃を作るプローブと失敗を判定する検出器を多数そろえた検査器です(NVIDIA、garak README)。PyRIT は、攻撃の対象、攻撃の方式、文の変換、採点器、記録を部品として組み合わせる Python のライブラリです(Microsoft、PyRIT documentation 1.1.0)。promptfoo のレッドチーム機能は、対象の目的の説明からプラグインごとに攻撃を作り、戦略で形を変えて送り、モデルで採点します(promptfoo、Red Team Configuration)。
この種類の道具は、守りの穴を見つける側です。攻撃の文の作成や採点にもモデルを使うため、どのモデルを使うか、外部のサービスへ何を送るかを先に決めます。promptfoo は既定では攻撃の生成に外部のサービスを使い、その利用を止めると一部のプラグインが使えなくなります(promptfoo、Red Team Plugins)。
入出力を検査する守り
ガードレールは、実行時に入力や出力を検査し、危険なものを止めたり書き換えたりする仕組みです。LLM Guard は、プロンプトの注入、個人情報、秘密の値などを検査する入力と出力のスキャナーをそろえています(Protect AI、LLM Guard README)。NeMo Guardrails は、入力、対話、検索、実行、出力の五つの段階に「レール」を置ける仕組みです(NVIDIA、NeMo Guardrails README)。
守りの道具は本番に置くものですが、置いただけで効くとは限りません。攻撃を作る検査で、守りを入れた版と入れていない版を比べて効果を確かめます。守りの置き方の設計は入出力の検証で扱っています。
記録と照合する仕組み
三つ目は、道具というより検査の土台です。エージェントの側で、ツール呼び出しの宛先と引数、応答に出た文字列を記録します。あわせて、漏えいを検知するために、検証用のデータへ一意の文字列(カナリア)を埋めておきます。レッドチームの OSS の採点は、モデルが応答の文章を読んで決めることが多く、行動の被害や、道具が想定していない秘密の漏えいを見落とします。記録と照合すれば、道具の指摘を、たとえば「実害あり」「狙った反応は起きたが秘密は出ていない」「誤検出」に分けて読めます。私たちの比較では、これに「役割を名乗っただけ」「道具が用意した別のシステムプロンプトを測った」を加えた五つに分けました。
以下は運用例です。検査の前に、検証用データへ埋めたカナリアと、許可する送信先の一覧を記録に残します。道具の指摘の有無にかかわらず、試験で送った全会話を対象にし、同じ会話のツール呼び出しの記録と応答の文字列を並べて、次の表で観察結果を記録します。「拒否された」「未確認」は運用時に追加する状態で、「記録と照合する仕組み」で示した私たちの比較の5区分を再集計したものではありません。許可外操作の結果と秘密の出現を先に記録し、会話の特徴は別欄に複数付けられるタグとして残します。表の行を単純合算して指摘件数にはしません。
| 結果の欄 | 記入する値 | 根拠 |
|---|---|---|
| 採点器の判定 | 達成・未達成・判定不能 | 検査ツールが出した判定をそのまま保存 |
| 許可外操作の結果 | 成功・拒否・未確認・操作なし | 同じ会話の実行側の記録。要求だけで結果がなければ未確認 |
| 秘密の出現 | あり・なし・未確認 | 自社のカナリアと応答の照合。応答を取得できなければ未確認 |
判定は順に適用します。①許可外操作が成功、または秘密の出現ありなら、他方が未確認でも実害あり。②①に当たらず、操作が拒否か操作なしで、秘密がなしなら実害なし。③それ以外は未確認です。実害ありは修正し、未確認は記録を補って再試験します。
| 特徴タグ(複数可) | 記録で見る根拠 | 次の対応 |
|---|---|---|
| 狙った反応 | 試験で指定した応答が出た | 実害の結果欄と分けて改善候補にする |
| 役割を名乗った | 応答で役割を演じた | 行動・秘密の有無は結果欄で判断する |
| 道具側の指示文を測定 | 出た文字列が道具の指示文に一致し、自社のカナリアではない | 漏えいの根拠には採らず理由を残す。操作の成功と自社の秘密の出現は結果欄で別に判定する |
| 誤検出 | 拒否やあいさつを失敗として採点した | 採点基準を見直す |
採点器が未達成と判定した会話も、実行側の記録で許可外の操作の成功を確認できれば実害ありに数えます。実行結果の記録がない要求(未確認)と、拒否された呼び出しは分け、実行結果を確認できないものは未確認として残します。本番に守りを置く前には、業務で実際に来る普通の入力(架空の例として、経費の上限、内線番号、会議室の予約の質問)を集めた集合を通します。止まった入力と件数を記録します。業務責任者が従来の運用との比較、止まった業務の影響、許容できる内容と件数、その理由を記録して採否を決めます。許容できなければ設定を見直し、同じ集合と未使用の確認用入力で再試験します。
開発の段階ごとの置き場所
同じ道具でも、置く段階で使い方が変わります。開発中は広く当てて傾向を見て、CI では合否を決められる試験に絞り、本番では守りと監視で被害を抑えます。三つの段階と、本番で見つけた失敗を開発中と CI の試験へ戻す流れを示したのが「図 7.5.1 セキュリティ検査を回す段階」です。
段階ごとの道具の使い方は次の表のとおりです。
| 段階 | 目的 | 置くもの | 結果の扱い |
|---|---|---|---|
| 開発中 | 弱点の傾向を広く知る | garak の多数のプローブ、PyRIT の多段の攻撃 | 件数ではなく、記録と照合した実害と、指摘の種類を見る |
| CI | 直した穴が戻らないことを確かめる | promptfoo のレッドチーム機能などの、終了コードで失敗を返せる少数の試験。生成済みの試験一式を版管理して再実行する。カナリアは応答の文字列、許可外操作は実行記録と照合し、採点モデルの判定と分ける | 記録照合で実害が1件以上あれば変更を止める。採点器だけの指摘は別に確認する。誤検出の傾向を記録して基準を直す |
| 本番 | 被害を止め、新しい攻撃を見つける | LLM Guard、NeMo Guardrails などの入出力の守り、ツールの側の権限の確認、ツール呼び出しの記録の監視 | 止めた入力や出力を記録し、開発中と CI の試験の項目へ戻す |
CI に置く試験は、合否を自動で決められることが条件です。私たちの実験では、promptfoo は指摘があると終了コード 100 で終わり、garak は指摘があっても終了コード 0 でした。garak を CI に置くなら、報告の JSONL を読んで判定する処理を足します。工程ごとの検査の配置の考え方は 7.1 で扱っています。
開発中に広く当てた結果は、道具のレポートで傾向を見ます。「図 7.5.2 garak の HTML のレポート(弱い版)」は、比較と同じ設定で弱い版へ garak を再実行したときのレポート(比較表とは別の実行)で、プローブの系統ごとの合格の割合と危険度の段階が並びます。ここに出る割合は検出器の判定で、カナリアや送信の記録と照合した実害の件数ではないため、7.6 のように記録と突き合わせて読みます。
画面は横にスクロールできます(押すと実寸で開きます)

選び方
道具は、確かめたい危険と、置く段階で決めます。人気や件数の多さで選ぶと、自分のエージェントに関係の薄い指摘ばかりが増えることがあります。次の表は、状況ごとの選び方の目安です。
| 状況 | 選ぶもの | 理由 |
|---|---|---|
| モデルが外からの指示に従いやすいかを広く知りたい | garak | 同じ設定で多数のプローブを一度に当てられる。ただし、システムプロンプトを道具が用意する前提のプローブがあり、完成品のエージェントでは測る対象がずれることがある |
| ツールを使う行動の被害まで引き出したい | PyRIT(多段の攻撃)、garak の AgentBreaker | 応答を見て次の文を変える攻撃で、操作を促せる。AgentBreakerは今回の弱い版で動かなかったため、各機能の試行実績を確認し、結果を記録と照合する |
| 開発の流れの中で毎回確かめたい | promptfoo のレッドチーム機能 | 目的・方針・システムプロンプトを設定に書け、終了コードで CI を止められる |
| 本番で入力や出力を止めたい | NeMo Guardrails、LLM Guard など | 入力と出力の段階で検査を置ける。採用前にメンテナンスの状況を確かめる |
| 外部のサービスへ何も送れない | 手元のモデルで動く設定 | promptfoo は外部の生成を止めると使える機能が減る。多段の機能が動くかは、使う攻撃用モデルで先に確かめる |
本番に置く守りは、件ごとに、通すか止めるかの判定を返します。「図 7.5.3 NeMo Guardrails の判定の出力」は、6.7 の比較と同じ設定で 3 件を検査した端末の出力です。業務の質問は通り、給与の一覧を社外へ送ったと報告する出力は止まりましたが、社員の内線番号を聞く普通の質問も止まりました。置く前に、自社の入力で誤検出を確かめる必要があります。

メンテナンスの状況も選ぶ基準になります。2026 年 10 月 16 日に GitHub と各パッケージの登録簿で確かめた状況は次のとおりです。
| 道具 | ライセンス | 確認した最新版 | 状況 |
|---|---|---|---|
| garak | Apache-2.0 | 0.17.0(2026-09-09) | 2026 年 6 月、8 月、9 月に公開 |
| PyRIT | MIT | 1.1.0(2026-09-04) | 開発は microsoft/PyRIT に移り、旧 Azure/PyRIT はアーカイブ済み |
| promptfoo | MIT | 0.124.1(2026-10-08) | npm への公開は 2026-04-16 以降の半年で 21 回 |
| LLM Guard | MIT | 0.3.16(2025-05-19、PyPI。GitHub のリリース一覧には表示なし) | リポジトリはアーカイブ済み。README も保守されていないと記載 |
| NeMo Guardrails | Apache-2.0(README の記載) | 0.24.1(2026-09-16) | リポジトリは NVIDIA-NeMo/Guardrails に移っている |
アーカイブ済みの道具は、新しい攻撃の手口への追従や脆弱性の修正が期待できません。使う場合は、版を固定し、代わりの道具を決めておきます。
終了コードは検査ツールの判定です。CIでは実行記録との照合を合否の根拠とし、誤検出を含み得る採点器の判定と分けて保存します。
よくある詰まりと避け方
私たちが三つのレッドチームの OSS を同じエージェントに当てたときに詰まった点と、その避け方です。
- 文章だけを採点して行動を見落とす。 模擬のメール送信ツールが社外宛ての送信を受け付けた会話が「未達成」と判定されました。行動の被害は、採点器ではなく記録で数えます。
- 外部の生成を止めた設定の影響に気づかない。 promptfoo では、古い名前の戦略が外部の生成を必要とする戦略に置き換わり、実行が途中で止まりました。設定を決めたら、実際に使われたプラグインと戦略の一覧を確認します。
- 多段の機能が動いたかを確かめない。 garak の AgentBreaker は、今回の設定では攻撃用モデルの出力を JSON として読む段階で失敗し、弱い版では一度も動きませんでした。同じ設定で守りを入れた版では動いており、原因は特定していません。実行後に、各機能が実際に試行したかを報告で確かめます。
- 守りをモデルへの指示だけに頼る。 プロンプトインジェクションを完全に防ぐ確かな方法は分かっていません(OWASP LLM01:2025)。私たちの実験では、守りを入れた版でエージェントが許可していない宛先へのメールを試みた 6 回を、メール送信ツールの側の権限の確認がすべて拒否しました。
試験を外部に依頼するときの条件の決め方と結果の受け取り方は 4.3、評価の領域から見た守りの試験はガードレールの試験とレッドチーミングで扱っています。
自社での取り組みについて相談する
AI システムの権限・承認設計やセキュリティ対策について、株式会社UNIQUEX にご相談いただけます。
記事のタイトルと URL をお問い合わせフォームへ引き継ぎます。実現したいこと・困っていることをお書きください。
UNIQUEX に相談する