引言：随着生成式AI的采用、使用和应用程序开发的增长，新的风险也随之而来，影响着企业或组织的战略规划和投资。随着这些风险的演变，风险缓解解决方案、技术、框架和分类法也在不断发展。AI安全解决方案需要被适当定义，以帮助安全领导者进行预算规划。
软件开发模式在从传统的瀑布模式演进到DevOps，再到DevSecOps，目前正在向LLMSecOps转变，安全一直是不缺少的环节。
OWASP于近期发布了《大语言模型和生成式人工智能安全解决方案参考指南2025》，旨在解决LLM和生成式AI应用程序在开发、部署和使用过程中面临的安全挑战。
《大语言模型和生成式人工智能安全解决方案参考指南2025》（以下简称"指南"）专为开发者、应用安全从业人员、DevSecOps 和 MLSecOps 团队、数据工程师、数据科学家、CISO 和安全领导者等多元化的受众群体量身定制。
这些人员专注于制定策略，以保护大型语言模型（LLM）和生成式人工智能（GenAI）应用程序的安全。
该指南旨在提供一个参考指南，涵盖从开发到部署和使用的LLM和生成式AI生命周期的安全性，即LLMSecOps。
LLMSecOps是一个专门针对大语言模型（Large Language Models，简称LLM）的安全运营实践，它结合了传统的安全运营（SecOps）原则和针对LLM的特定需求。
LLMSecOps的目标是在LLM的开发、部署和运营过程中确保安全性，同时促进开发和运营团队之间的协作。主要内容有：
- 安全集成：在LLM的整个生命周期中，从规划、开发、测试到部署和运营，都要将安全措施融入到每个阶段；
- 自动化：自动化安全测试和部署流程，以提高效率和响应速度，减少人为错误；
- 持续监控：对LLM应用进行持续的安全监控，以便及时发现和响应潜在的安全威胁；
- 风险管理：评估和管理与LLM相关的安全风险，包括数据泄露、模型滥用、偏见等问题；
- 合规性：确保LLM应用遵守相关的法律法规和行业标准；
- 教育和培训：提高开发和运营团队的安全意识和技能，以便他们能够识别和应对安全威胁。
若想了解LLMSecOps每个环节的具体活动，可以参阅报告原文：
LLMSecOps是一个跨学科的领域，它要求安全专家、数据科学家、开发人员和运营人员共同努力，从而确保LLM的安全和可靠性。