ARK. 1Słownik pojęćBezpieczeństwo AI i modeli językowych
system prompt leakage
Ujawnienie instrukcji systemowych, którymi operator steruje chatbotem lub agentem AI — np. gdy użytkownik podstępem skłoni model do wypisania promptu. Groźne, gdy w prompcie zaszyto hasła, klucze API albo reguły dostępu; prompt systemowy nie powinien zawierać sekretów.
TAB. 1Nazwapo angielsku
| Po angielsku | system prompt leakage |
|---|---|
| Którą formą pisać | po angielsku Polski odpowiednik istnieje, ale w praktyce nikt tak nie pisze. Zostaw angielski, polski trzymaj jako synonim. |
| Inne formy | wyciek promptu systemowego · ujawnienie system promptu · Hidden Context Exposure (nazwa kategorii OWASP 2026) |
| Odmiana | nieodmienne; w tekście zwykle „podatność System Prompt Leakage” |
TAB. 2Jak to nazywająprasa vs urząd
| Prasa branżowa | Sekurak pisze nazwę kategorii po angielsku: „System Prompt Leakage zastąpiono kategorią Hidden Context Exposure”; Secawa opisowo: „skłonić system do ujawnienia system promptu”. |
|---|
TAB. 3Źródła3
| Forma | Cytat | Skąd |
|---|---|---|
| EN | „Nazwę System Prompt Leakage zastąpiono kategorią Hidden Context Exposure. Zmiana jest sensowna, bo sekret zaszyty w promptach stanowi tylko jeden z elementów kontekstu.” | sekurak.pl |
| PL | „odpowiednio spreparowany input może skłonić system do ujawnienia system promptu” | secawa.com |
| EN | „The system prompt leakage vulnerability in LLMs refers to the risk that the system prompts or instructions used to steer the behavior of the model” | genai.owasp.org |
TAB. 4Obok w tej dziedzinie6
| prompt injection | prompt injection (w tym indirect prompt injection) | Atak polegający na umieszczeniu w treści przetwarzanej przez model językowy ukrytych instrukcji, które model wykonuje tak, jakby pochodziły od użytkownika lub twórcy systemu; w wariancie pośrednim (indirect) instrukcje są schowane w danych zewnętrznych — na stronie WWW, w PDF-ie, e-mailu czy komentarzu — które asystent lub agent AI pobiera samodzielnie. |
| shadow AI | shadow AI | Korzystanie przez pracowników z publicznych narzędzi AI bez wiedzy i zgody działu IT, przez co dane firmowe — kod, umowy, dane klientów — trafiają do zewnętrznych modeli poza jakąkolwiek kontrolą organizacji. |
| slopsquatting | slopsquatting | Atak na łańcuch dostaw oprogramowania: przestępcy rejestrują w repozytoriach (npm, PyPI) pakiety o nazwach, które modele AI „wymyślają” w generowanym kodzie. Programista lub agent AI instaluje zmyśloną zależność i dostaje złośliwy kod. |
| ujawnienie informacji wrażliwych | sensitive information disclosure (LLM) | Sytuacja, w której chatbot lub asystent AI zdradza w odpowiedzi dane, których nie powinien: dane osobowe klientów, hasła, fragmenty dokumentów firmy lub cudzych rozmów. Kategoria z listy OWASP Top 10 dla aplikacji LLM (w edycjach 2025–2026 na 2. miejscu). |
| vibe coding | vibe coding (security risks of AI-generated code) | Tworzenie aplikacji lub stron przez opisywanie ich modelowi AI i przyjmowanie wygenerowanego kodu bez jego rozumienia i przeglądu. Ryzyka: brak kontroli dostępu, klucze API w kodzie frontendu, otwarte bazy danych, zmyślone lub złośliwe biblioteki. |
| zatruwanie danych / zatruwanie modelu | data poisoning / model poisoning | Celowe wprowadzenie spreparowanych treści do danych, na których model się uczy lub które pobiera w trakcie działania (na przykład do bazy RAG), tak aby trwale generował błędne, stronnicze lub szkodliwe odpowiedzi albo reagował ukrytą furtką na umówiony sygnał. |