标题：Prompt Engineering: Tactics and Techniques in Open-Source Intelligence（提示工程：开源情报中的策略与技巧）
作者：J. Černý，捷克布拉格经济与商业大学信息技术与统计学院
核心主题：探讨大语言模型（LLM）在开源情报（OSINT）领域的应用前景，重点研究如何将信息获取流程与提示工程（Prompt Engineering）相结合，为情报分析人员提供实用的提示策略与技巧。
主要内容总结
一、OSINT 概念体系
文章首先区分了四个层次的概念：
| 概念 | 含义 |
|---|---|
| OSD（开源数据） | 来自原始来源的原始信息，如照片、录音、卫星图像等 |
| OSIF（开源信息） | 经过编辑、筛选、验证和呈现管理的结构化数据 |
| OSINT（开源情报） | 有目的地发现、甄别、提炼并分发给特定对象的信息 |
| OSINT-V（已验证开源情报） | 具有高度确定性的情报产品，可由接触机密来源的专业情报人员产出 |
二、AI 在 OSINT 中的应用现状（文献综述）
文章系统梳理了 AI/LLM 在开源情报中的多样化应用，涵盖：
- 网络安全：威胁情报分析、恶意 URL 检测
- 执法与反恐：暗网市场监控、数字警务
- 数字取证：网络反情报
- 弱势群体保护：利用 AI+OSINT 识别和保护脆弱人群
- 保护生物学：利用开源情报进行物种保护
- Google Hacking Dorks：AI 辅助的搜索引擎攻击面探测
同时指出 AI 的双面性——既可生成虚假网络威胁情报，也可用于检测和防御。
三、OSINT 信息模型（LLM 驱动）
作者提出一个融合 LLM 的 OSINT 信息模型，包含 12 个核心类：
- User（用户）：发起 OSINT 操作的个人或实体
- IntelligenceTopic（情报主题）：定义具体情报目标
- InformationNeeds / InformationRequirements（信息需求/要求）：将需求转化为可操作的数据收集要求
- InformationSources（信息来源）：识别潜在数据源
- Data / Information（数据/信息）：原始数据集与结构化数据
- SourceType（源类型）：表层网、深网、暗网、内部知识库等
- CollectionMethods（收集方法）：全自动、半自动、手动
- Preprocessing（预处理）：数据清洗、转换、标准化
- Entities（实体）：可供分析的精炼元素
- ModelTrainingData（模型训练数据）：为训练准备和结构化数据
四、提示工程核心技巧
文章介绍了多种提示工程方法及其在 OSINT 中的应用：
| 技巧 | 说明 |
|---|---|
| Chain-of-Thought（思维链） | 将复杂任务拆解为子任务，提升模型推理能力 |
| Zero-shot（零样本） | 仅依赖预训练知识，无需示例即可执行任务 |
| Few-shot（少样本） | 在提示中提供少量示例，减少歧义 |
| Self-Consistency（自一致性） | 识别多种推理路径，选择最一致的答案 |
五、OSINT 专用提示模板（7 类）
作者为不同情报任务设计了 7 类提示模板，每类均提供简短版和详细版示例：
- 直接指令（Direct Instruction）：如"分析以下 URL 列表，识别潜在网络安全威胁"
- 角色扮演（Role Play）：如"假设你是数字取证专家，调查以下用户名的数字足迹"
- 创意叙事（Creative Storytelling）：如"构建一个假设场景：泄露信息导致大规模数据泄露"
- 探索性问题（Exploratory Questions）：如"数据泄露后暗网流量激增可能带来哪些影响？"——详细版包含分阶段分析框架
- 行为分析（Behavioral Analysis）：如"比较两个可疑账号的在线行为模式，判断是否由同一人操控"
- 头脑风暴（Idea Generation）：如"列出可用于追踪加密货币交易的开源工具和技术"
- 操作指南（Instructional Guides）：如"提供使用高级搜索运算符过滤社交媒体帖子的教程"
六、情报人员的培训需求
文章强调，提示工程是安全与军事部门人员培训的关键领域，需要培养以下能力：
- 批判性思维（Critical Thinking）
- 高级搜索技术与策略
- AI 与 LLM 的理解
- 提示工程（Prompt Engineering）
- 信息素养：快速阅读、有效研究方法、搜索策略与战术
- 数据分析与数据叙事（Data Storytelling）
核心观点：人类推理能力和上下文思维能力对于最大化利用大语言模型至关重要，同时需避免信息过载对分析质量的负面影响。
七、结论
作者提出一个使用隔离式大语言模型（isolated LLMs）的 OSINT 模型，强调提示工程作为关键技能的重要性，并指出需要持续研究和教育投入，以充分发挥 AI 在开源情报领域的潜力。
资料原文已上传知识星球
长按识别下面的二维码可加入星球
里面已有万余篇资料可供下载
续费五折优惠
