reverse-skills-max: initial public release (restored, redacted, hardened)
This commit is contained in:
baradok609hecl1pq6qi
151
vendor-new/rev-skills/.claude/skills/re-ai-attack/SKILL.md
Normal file
151
vendor-new/rev-skills/.claude/skills/re-ai-attack/SKILL.md
Normal file
@@ -0,0 +1,151 @@
|
||||
---
|
||||
name: re-ai-attack
|
||||
type: atomic
|
||||
description: >
|
||||
AI 模型安全评估与取证（行为层）：extraction assessment（API 黑盒提取评估）、
|
||||
fingerprint verification（行为指纹与归属验证）、privacy leakage evaluation（成员推断/隐私泄露评估）、
|
||||
robustness evaluation（对抗鲁棒性评估）。
|
||||
触发词：API模型窃取、黑盒模型复制、模型指纹、成员推断、对抗样本、行为水印、模型安全评估、隐私泄露评估。
|
||||
guard: {"require_authorization": true, "forbidden": ["unauthorized_api_testing", "bypass_access_control", "model_theft_against_third_party"]}
|
||||
capabilities: [ai-model-analysis]
|
||||
---
|
||||
|
||||
# AI 模型安全评估与取证（行为层）
|
||||
|
||||
## CORE RULE：攻击面由可观测性决定，不由攻击名称决定
|
||||
|
||||
先问接口/资产给什么，再选攻击面——三者是三个世界：
|
||||
|
||||
| 可观测性 | 世界 |
|
||||
|---|---|
|
||||
| `logits available`（API 返回概率/logits） | 蒸馏（soft label）、指纹、成员推断全部可用 |
|
||||
| `labels only`（API 只返回标签） | 降级：决策边界采样、黑盒迁移、影子模型 |
|
||||
| `weights available`（拿到模型文件） | 白盒：梯度方法（FGSM/PGD）、直接比对、阈值成员推断 |
|
||||
|
||||
同一攻击名在不同可观测性下可行性与实现完全不同——先按「输入资产盘点」确认 API 输出字段/模型文件，再选路径。
|
||||
|
||||
## 任务分类器（intent → 路径）
|
||||
|
||||
用户目的识别，命中即走对应分支；未命中落入下方「何时使用」判断：
|
||||
|
||||
| 用户目的（intent） | 路径 |
|
||||
|---|---|
|
||||
| 怀疑模型被复制 / 模型被盗用 / 嫌疑副本比对 | → **fingerprint**（模型指纹/水印检测，步骤 2） |
|
||||
| 判断训练数据泄露 / 某样本是否在训练集 | → **membership**（成员推断，步骤 3） |
|
||||
| 测试 API 是否容易被复制 / 接口可提取性 | → **extraction**（模型提取，步骤 1） |
|
||||
| 测试鲁棒性 / 对抗样本效果 / 防御验证 | → **adversarial**（对抗样本评估，步骤 4） |
|
||||
|
||||
## 输入资产盘点（INPUT INVENTORY）
|
||||
|
||||
路径命中后先确认已有资产——不同资产组合决定可走路径，缺资产先向用户索要或说明局限：
|
||||
|
||||
| 资产 | 影响路径 |
|
||||
|---|---|
|
||||
| API endpoint（+ query budget） | **extraction**（步骤 1）必需——无 endpoint 无法提取 |
|
||||
| model file（本地模型/权重） | fingerprint 比对与成员推断（步骤 2/3）可用；无则只能走 API 侧 |
|
||||
| training dataset（疑似训练集样本） | **membership**（步骤 3）必需——无样本无法推断成员 |
|
||||
| suspected copy（嫌疑副本） | **fingerprint**（步骤 2）必需——无副本无从比对 |
|
||||
| baseline model（受害者/参考模型） | fingerprint 比对必需——无基线只有副本无法定指纹 |
|
||||
| watermark hypothesis（水印假设） | fingerprint 水印验证（步骤 2）——有具体假设（触发集/后门）可定向验证 |
|
||||
|
||||
**规则**：intent 命中后检查该路径所需资产；缺失 → 先向用户询问（有无/能否提供），用户无法提供则说明该路径不可执行并转可用路径。
|
||||
|
||||
## 何时使用 / 何时不用
|
||||
|
||||
- 用：模型泄露/窃取取证、API 模型攻击评估（提取/指纹）、训练数据泄露判定、模型鲁棒性评估（对抗样本）
|
||||
- 用：水印/指纹验证（嫌疑副本与受害者模型比对）
|
||||
- 用：模型 API 一致性审计（同输入多查询/多端点比对，找副本/代理）
|
||||
- 用：鲁棒性基线评估（上线前/防御验证前测一遍干净与扰动准确率）
|
||||
- 不用：模型文件格式解析与权重提取（转 [[re-ai-model]]）；模型训练/微调（非逆向）；部署加固（防御侧不在本技能）
|
||||
- 不用：无授权目标（红线：仅授权评估场景；授权边界见 [[gotchas]]）
|
||||
- **RE_AUTH 前置（guard 联动）**：本技能 guard.require_authorization=true——执行前确认授权上下文（triage 第 0 步 `RE_AUTH`）：owned / ctf / research 可执行；unknown 先询问目标归属（所有权 / 测试授权 / 研究环境），未说明只做静态评估不进入动态步骤
|
||||
- 不用：提示注入/提示泄露评估（LLM 侧攻击面）与 API 服务本身的注入/越权测试（应用侧漏洞不在本技能）
|
||||
|
||||
## 工具准备
|
||||
|
||||
### python3（核心运行时）
|
||||
|
||||
- 各平台安装见 [[re-python]] 工具准备
|
||||
|
||||
### 模型库（torch / tensorflow，按目标格式选）
|
||||
|
||||
- 多平台: `pip install torch` / `pip install tensorflow`（按硬件可选 CPU 版；按目标框架选一即可，蒸馏脚本只依赖其张量操作）
|
||||
- 验证: `python3 -c "import torch"`
|
||||
|
||||
### 攻击评估库（ART，可选）
|
||||
|
||||
- 多平台: `pip install adversarial-robustness-toolbox`（对抗鲁棒性工具箱，覆盖提取/指纹/对抗样本攻击模块）
|
||||
- 验证: `python3 -c "import art"`
|
||||
|
||||
### 查询接口客户端（API 目标）
|
||||
|
||||
- 多平台: `pip install requests`；验证: `python3 -c "import requests"`
|
||||
- 可视化（分布对比图，可选）：`pip install matplotlib`
|
||||
|
||||
## 操作步骤
|
||||
|
||||
按顺序执行；仅限授权评估场景（红线：不针对未授权目标）。方法学依据：模型提取（API 查询蒸馏）、成员推断（影子模型）、对抗样本（FGSM/PGD）为公开研究框架，实现细节按目标模型域调整（见 [[decision-tree]] 分支）。
|
||||
|
||||
1. **模型提取攻击**（Overview：通过 API 查询重建近似模型——蒸馏）：
|
||||
- Checklist：
|
||||
1. 确认授权与用途（评估/取证声明记录）
|
||||
2. 接口探测：读 API 文档/试查询 → 确认限额与输出字段（logits/概率或仅标签——可观测性决定策略，见 CORE RULE）
|
||||
3. 查询采样（输入分布覆盖：代表性输入 + 边界扰动 + 标签分布均衡）
|
||||
4. 蒸馏训练（以 API 输出为教师标签）
|
||||
5. 评估近似度（同输入集输出对比：一致率 + 标签分布对比，不是只看精度）
|
||||
- 实现经验（soft label 优先、边界扰动、评估一致性、蒸馏基线、查询日志等）见 [[implementation-notes]]
|
||||
- 仅标签时：降级为决策边界采样（输出分布重建受限，见 [[gotchas]] 接口坑）；查询预算内先小批估计（坑 1）
|
||||
|
||||
2. **模型指纹/水印检测**（Overview：**行为级**水印——模型表现出来是什么：trigger 触发响应 / 查询响应 / 黑盒指纹；文件级水印（权重 pattern/metadata/tensor hash）走 [[re-ai-model]]）：
|
||||
- Checklist：
|
||||
1. 嵌入检测：输入扰动（特定噪声/触发器）→ 输出特征比对（水印触发行为）
|
||||
2. 指纹提取：模型行为签名（代表性输入集输出向量）→ 与疑似副本比对
|
||||
3. 窃取取证：嫌疑模型与受害者模型的指纹距离 → 阈值判定相似（阈值校准见 [[decision-tree]] 证据分级）
|
||||
4. 产出：指纹向量 + 距离报告（距离值 + 阈值依据 + 置信度）
|
||||
- 实现经验（输入集难度分层、归一化、反例对照组、抹除对抗、时效、水印枚举）见 [[implementation-notes]]
|
||||
- 抹除对抗：剪枝/微调/蒸馏会削弱指纹——用鲁棒指纹并标注「可能被抹除」（见坑 3）
|
||||
|
||||
3. **成员推断**（Overview：判定某样本是否在训练集中）：
|
||||
- Checklist：
|
||||
1. 确认输入形态：目标模型输出的概率向量 + 样本特征（可观测性见 CORE RULE）
|
||||
2. 选攻击类型：白盒（有 loss）用阈值法；黑盒（只有输出）用影子模型（同分布代理模型校准）
|
||||
3. 对照基线：同分布随机样本（非训练样本）的损失分布作基准线
|
||||
4. 输出：统计判定（ROC/阈值曲线、给定 FPR 下的 TPR、置信区间），不是确定性结论
|
||||
- 实现经验（基线设计、隐私脱敏、统计口径）见 [[implementation-notes]]
|
||||
- 局限：只能给出统计判定（误报控制：阈值校准；隐私保护训练目标可对抗，见 [[gotchas]]）
|
||||
|
||||
4. **对抗样本基础**（Overview：鲁棒性评估与防御验证，非攻击部署）：
|
||||
- Checklist：
|
||||
1. 选路径：白盒（模型权重可加载且 loss 可微）用梯度扰动（FGSM/PGD）；黑盒用查询/迁移扰动（可观测性见 CORE RULE）
|
||||
2. 设扰动预算（epsilon）——评估口径可比
|
||||
3. 评估对照：先测干净样本基线（扰动前准确率），报告扰动前后对比
|
||||
- 实现经验（预算梯度、迁移性边界）见 [[implementation-notes]]
|
||||
- 边界：对抗样本迁移性差（白盒扰动对黑盒目标不保证有效，见 [[gotchas]]）
|
||||
|
||||
5. **评估报告与存证**：
|
||||
- 三要素全记录：方法（采样集/蒸馏超参/距离阈值）、结果（指标）、参数（随机种子/框架版本）
|
||||
- 攻击脚本与评估产物 sha256 存档；结论按 [[re-analyze/analysis-contract]] 交付
|
||||
|
||||
## 跨域联合
|
||||
|
||||
- [[re-ai-model]]：**消费文件级证据**（文件级证据 → 行为级验证单向流）——有模型文件时先经 re-ai-model 提取结构/权重/文件级 fingerprint，再在本技能做行为一致性验证；仅 API（无文件）时无文件侧输入，直接黑盒评估
|
||||
- [[re-python]]：Python 工具链基础
|
||||
- [[re-feedback]]：攻击案例经验沉淀（脱敏后）
|
||||
- [[re-analyze/analysis-contract]]：评估结论交付格式
|
||||
|
||||
## 常见坑与陷阱
|
||||
|
||||
- **查询预算限制**：现象——API 限流/计费中断；原因——高查询量；对策——预算内采样设计（先小批估计），记录已用配额
|
||||
- **置信度不可得时降级**：现象——接口只返回标签；原因——服务端裁剪输出；对策——决策边界采样 + 标注局限，不硬造概率
|
||||
- **水印被抹除**：现象——指纹比对失败；原因——嫌疑方做了剪枝/微调/蒸馏；对策——用鲁棒指纹（多触发器）并标注「可能被抹除」；距离接近但未达阈值时输出「弱相似」而非「无关」
|
||||
- **成员推断误报**：现象——统计判定错误；原因——阈值偏差/影子模型分布不匹配；对策——影子模型校准 + 报告置信区间
|
||||
- **评估指标误导**：现象——提取模型「精度高」但输出分布完全不同；原因——只比精度不比分布；对策——一致率 + 标签分布 + 校准度多指标联合
|
||||
- **提取不收敛**：现象——蒸馏效果差；原因——采样分布与目标分布不匹配/接口输出裁剪；对策——按目标数据域重采样，标注数据分布假设
|
||||
- **输出解析错误**：现象——logits 与标签错位；原因——API 响应字段解析错；对策——先打印原始响应核对字段再批量
|
||||
- **结果不可复现**：现象——复跑结果不同；原因——随机种子/采样顺序未固定；对策——固定 seed 并记录
|
||||
- **对比对象口径错**：现象——指纹比对用了不同任务模型；原因——未确认任务口径；对策——比对前确认任务/标签空间一致
|
||||
- **多端点口径差异**：现象——同一模型不同端点输出不同；原因——A/B 路由/版本不同；对策——锁定端点做前后对比，标注端点标识
|
||||
- **批查询触发风控**：现象——正常速率查询被风控；原因——触发速率阈值；对策——查询节奏控制（限速/随机间隔），记录风控事件
|
||||
- **资源预算**：现象——蒸馏 OOM/长任务中断；原因——学生模型过大/时长估计不足；对策——分阶段 checkpoint（采样/训练分步存档），小批量/CPU 降级
|
||||
- **授权边界**：现象——对未授权 API 发起攻击测试；原因——范围未确认；对策——先确认授权（使用边界红线）
|
||||
- 场景分支与证据分级见 [[decision-tree]]；边界与反例见 [[gotchas]]
|
||||
@@ -0,0 +1,69 @@
|
||||
# AI 攻击决策树与证据分级
|
||||
|
||||
攻击面由「目标形态 × 接口能力」决定，先侦察再动手。本文档与 SKILL.md 步骤 1-4 配套使用。
|
||||
|
||||
## 目标形态决策树
|
||||
|
||||
```
|
||||
评估目标
|
||||
├─ 黑盒 API（只能查询）→ 提取攻击 / 黑盒对抗样本 / 行为指纹
|
||||
├─ 模型文件（拿到权重）→ 白盒分析：权重指纹、成员推断（白盒）、FGSM/PGD
|
||||
│ （文件解析与格式还原走 [[re-ai-model]]）
|
||||
└─ 嵌入/微调产物（LoRA/适配器）→ 与基础模型比对差异（指纹来源分析）
|
||||
```
|
||||
|
||||
## 接口能力分支
|
||||
|
||||
```
|
||||
API 查询
|
||||
├─ 返回完整 logits/softmax 概率 → 蒸馏优先（soft label 训练）
|
||||
├─ 返回 top-k 概率 → 蒸馏降级（截断概率，标注信息损失）
|
||||
├─ 仅返回标签 → 决策边界采样（边界 + 对抗扰动查询），不做概率重建
|
||||
└─ 带温度/归一化扰动 → 先校准再蒸馏（softmax 温度影响教师信号）
|
||||
```
|
||||
|
||||
## 取证目的分支
|
||||
|
||||
```
|
||||
取证请求
|
||||
├─ 「是不是复制品」→ 行为指纹提取 + 距离阈值判定
|
||||
│ ├─ 距离 < 阈值且多输入集稳定 → 强相似（高置信）
|
||||
│ ├─ 距离 < 阈值但单输入集 → 弱相似（标注输入集局限）
|
||||
│ └─ 距离 > 阈值 → 不相似；但先排除「指纹被抹除」（见 [[gotchas]]）
|
||||
├─ 「某样本是否在训练集」→ 成员推断（影子模型/损失分布）
|
||||
│ ├─ 分布显著分离 + 校准 → 统计判定（带置信区间）
|
||||
│ └─ 分布重叠 → 无法判定（输出区间而非断言）
|
||||
└─ 「有没有被加水印」→ 触发器检测（已知/未知触发器枚举）
|
||||
```
|
||||
|
||||
## 证据分级表
|
||||
|
||||
| 证据 | 弱 | 中 | 强 |
|
||||
|---|---|---|---|
|
||||
| 指纹距离 | 单输入集接近 | 多输入集稳定接近 | 多输入集 + 独有行为特征一致 |
|
||||
| 成员推断 | 损失高于基线 | 分布分离 + 校准 | 多攻击面一致（白盒+黑盒） |
|
||||
| 水印触发 | 单触发器响应 | 多触发器响应 | 触发器 + 输出结构特征吻合 |
|
||||
| 对抗鲁棒性 | 单样本扰动有效 | 多样本/多方法一致 | 迁移到替代模型仍有效 |
|
||||
|
||||
任何「强」证据都要排除替代解释（同源训练/公开基础模型微调——基础模型相同会天然产生指纹接近，见 [[gotchas]]）。
|
||||
|
||||
## 组合套路（提取评估流程）
|
||||
|
||||
1. 接口能力侦察（预算内小批）
|
||||
2. 采样集设计（代表 + 边界 + 标签均衡）
|
||||
3. 蒸馏训练 → 评估（一致率/分布/校准）
|
||||
4. 指纹提取（多输入集）→ 距离报告
|
||||
5. 结论按证据分级表定级 + 标注局限（授权、预算、数据分布假设）
|
||||
|
||||
## 实现教训（内化）
|
||||
|
||||
- 先问「接口给什么」，再选攻击面——logits 可得性是策略分水岭
|
||||
- 多指标评估：精度高 ≠ 提取成功，一致率 + 标签分布联合看
|
||||
- 指纹判定要排除「同源基础模型」假说（微调自同一公开模型会天然相似）
|
||||
- 报告永远是统计性/概率化陈述，成员推断与指纹判定都带置信度
|
||||
|
||||
## 使用注意
|
||||
|
||||
- 仅授权评估场景（授权边界见 SKILL.md 红线与 [[gotchas]]）
|
||||
- 结论按 [[re-analyze/analysis-contract]] 交付；攻击代码不部署到生产环境
|
||||
- 防御侧参考（对抗训练/输出裁剪）只作评估结论的旁注，不展开
|
||||
@@ -0,0 +1,36 @@
|
||||
# AI 攻击方法论坑与边界
|
||||
|
||||
## 提取攻击坑
|
||||
|
||||
- **接口裁剪**：服务端裁剪输出（温度缩放/截断 logits/量化）会削弱教师信号——先探测输出分布（相同输入多次查询看方差），再决定蒸馏策略
|
||||
- **查询限额**：限流/计费/风控会中断长查询任务——预算内设计采样（先小批估计分布，再决定规模）；被风控时换查询节奏并记录
|
||||
- **数据分布不匹配**：查询分布与目标域分布不符时蒸馏模型「学会了查询集」而非「目标模型」——采样覆盖目标域，标注分布假设
|
||||
- **缓存与批处理**：API 前有缓存/批处理层时相同输入返回相同输出（正常），但去重/缓存会让查询统计失真——评估有效性时用随机扰动输入
|
||||
- **防提取对策**：水印（后门触发）、输出扰动、查询风控都可能存在——提取结果不可用时标注「存在防提取机制」，别当失败
|
||||
|
||||
## 指纹/水印坑
|
||||
|
||||
- **同源基础模型假说**：嫌疑模型与受害者模型都微调自同一公开基础模型时，行为指纹天然接近——判定前先比对「独有特征」（训练数据/任务特有的行为），排除同源解释
|
||||
- **指纹被抹除**：剪枝/量化/微调/蒸馏都会削弱指纹——用鲁棒指纹（多触发器/行为签名）；距离「接近但未达阈值」输出「弱相似」而非「无关」
|
||||
- **触发器过拟合**：单触发器验证可能只是「该输入的特殊性」而非水印——多触发器 + 触发器族（结构/噪声/语义类）交叉验证
|
||||
- **阈值无普适值**：指纹距离阈值依赖模型家族与输入集——阈值按同族对照模型校准（训练 1-2 个对照模型量距离分布），不套用他人阈值
|
||||
|
||||
## 成员推断坑
|
||||
|
||||
- **过拟合 ≠ 成员**：高置信度输出可能只是模型对特定输入过拟合，不是「在训练集中」——用影子模型（同分布代理）校准分布，再判定
|
||||
- **影子模型同分布假设**：影子模型与目标训练分布不一致时校准失效——影子训练数据尽量贴近目标域（公开同域数据），标注假设
|
||||
- **隐私保护训练对抗**：DP-SGD/差分隐私训练的模型成员推断信号弱——分布不分离时输出「无法判定」，别硬给结论
|
||||
- **统计性质误读**：成员推断是统计判定（带 TPR/FPR），单样本断言「肯定在训练集」不成立——报告带置信区间
|
||||
|
||||
## 评估边界与反例
|
||||
|
||||
- **对抗样本迁移性**：白盒扰动迁移到黑盒目标不保证有效——迁移成功率是评估指标，不是攻击保证
|
||||
- **反例：误用「精度」**：提取模型在测试集精度接近目标 ≠ 功能等价（输出分布可能完全不同）——功能等价要看一致率与分布
|
||||
- **反例：模型版本差异**：同一模型的不同部署版本（量化/蒸馏部署版）指纹与训练版不同——比对前确认版本口径
|
||||
- **范围外**：提示注入/提示泄露（LLM 侧）不在本技能（面向分类/生成模型的提取、指纹、成员推断与对抗评估）；训练数据版权判定是法律问题，本技能只出统计证据
|
||||
|
||||
## 使用注意
|
||||
|
||||
- 仅授权评估场景（范围/目标/数据确认先行）；不绕过付费/访问控制边界
|
||||
- 结论按 [[re-analyze/analysis-contract]] 交付，统计性陈述 + 置信度 + 局限
|
||||
- 相关文件分析衔接 [[re-ai-model]]；经验沉淀转 [[re-feedback]]（脱敏）
|
||||
@@ -0,0 +1,39 @@
|
||||
# AI 攻击实现笔记（Implementation Notes）
|
||||
|
||||
SKILL.md 操作步骤的流程（Overview + Checklist）之外的实现经验——按步骤分组，命中对应步骤时参考。
|
||||
|
||||
## 步骤 1：模型提取
|
||||
|
||||
- **soft label 优于 hard label**：API 输出带 logits/概率时蒸馏质量显著高于仅标签（决策边界信息更丰富）；仅有标签时降级为决策边界采样，输出分布重建受限（标注局限）
|
||||
- **边界扰动**：输入空间小幅扰动（噪声/旋转/亮度）覆盖决策边界附近区域，提升蒸馏对边界形状的拟合
|
||||
- **评估一致性**：同一输入多次查询看 logits 方差——方差大说明输出随机化/防提取机制
|
||||
- **蒸馏训练要点**：学生模型容量与教师相近（过小欠拟合边界、过大过拟合采样噪声）；训练轮次/学习率按小验证集调
|
||||
- **蒸馏评估基线**：随机初始化学生模型与目标模型同分布对比——排除「模型本身输出相似」的假象
|
||||
- **查询日志**：每次查询记录（输入指纹/输出/时间/配额消耗），供审计与复现
|
||||
- **查询预算**：预算内先小批估计（限流/计费中断处理见 SKILL.md 坑 1）
|
||||
|
||||
## 步骤 2：模型指纹/水印检测
|
||||
|
||||
- **指纹输入集设计**：覆盖类别/难度分层（简单+难例）——难例区分度更高
|
||||
- **比对前归一化**：输出向量先归一（softmax 温度/缩放差异）再算距离（L2/余弦）
|
||||
- **反例对照组**：触发器响应可能来自模型训练偏差而非水印——先测无触发器输入的基线响应
|
||||
- **抹除对抗**：剪枝/微调/蒸馏会削弱指纹——用鲁棒指纹（多触发器）并标注「可能被抹除」
|
||||
- **指纹时效**：模型热更新后指纹漂移——比对前确认版本/时间窗
|
||||
- **未知水印枚举**：触发器候选（特定输入模式/语义后门）逐个测，先小批探测再扩大
|
||||
|
||||
## 步骤 3：成员推断
|
||||
|
||||
- **对照基线**：同分布随机样本（非训练样本）的损失分布作基准线，再对比目标样本位置
|
||||
- **隐私敏感性**：成员推断涉及个人数据判定——结论脱敏，不公开样本身份
|
||||
- **统计口径**：输出 ROC/阈值曲线（给定 FPR 下的 TPR、置信区间），不是确定性结论；隐私保护训练目标可对抗（误报控制：阈值校准）
|
||||
|
||||
## 步骤 4：对抗样本
|
||||
|
||||
- **扰动预算（epsilon）**：FGSM/PGD 都设扰动上限——评估口径可比
|
||||
- **评估对照**：先测干净样本基线（扰动前准确率），报告扰动前后对比
|
||||
- **预算梯度**：epsilon 从 0 起递增，报告不同预算下的准确率曲线
|
||||
- **迁移性边界**：对抗样本迁移性差——白盒扰动对黑盒目标不保证有效
|
||||
|
||||
## 使用注意
|
||||
|
||||
- 本文件是经验参考，不替代 SKILL.md 的步骤流程；实现细节与目标模型域冲突时以目标域为准（见 [[decision-tree]] 分支）
|
||||
Reference in New Issue
Block a user