来自 Signals Corps 博客的一篇文章（链接见文末）以「HTTP 头部中的提示注入」为主题，标题指出其观察对象是 217M 条 Web 响应。热点摘要未提供更多内容，因此本文仅就该标题所指向的问题展开，不涉及具体数据与结论。
提示注入的核心困难在于：大模型无法稳定区分「指令」与「数据」。直接注入发生在用户输入层，而间接注入则把恶意指令藏在模型会读取的外部内容里——网页正文、文档、邮件。这次被指向的通道是 HTTP 响应头。响应头通常不会渲染给用户，人眼看不见，但抓取工具、浏览器自动化脚本和 Agent 往往会完整保留头部信息，甚至把整段响应拼接进模型上下文。这种「用户不可见、模型可见」的不对称，正是它值得警惕的地方。
标题中的 217M 这一量级同样关键。它暗示这不是一次小样本的实验室观察，而是对真实 Web 生态的较大范围普查——也就是说，问题若存在，其分布可能落在大量普通站点上，而不是少数特殊目标。
对 AI 从业者而言，意义主要在工程层面：只要你的 Agent 会自行访问 URL，信任边界就不止于页面正文，还包括头部字段与其他元数据。输入端清洗、头部字段白名单、以及在把外部数据送入模型前做隔离与来源标注，都是需要重新审视的环节。此外，这类研究也提示评估与红队测试的覆盖面应扩展到非正文通道。
具体样本构成、检出比例、涉及的头部字段与缓解建议，请以原文为准。
原文链接：https://www.signalscorps.com/blog/prompt-injection-in-http-headers/