diff --git a/2_0_vulns/translations/zh-CN/LLM01_PromptInjection.md b/2_0_vulns/translations/zh-CN/LLM01_PromptInjection.md
index 03304cb0..05df2eb3 100644
--- a/2_0_vulns/translations/zh-CN/LLM01_PromptInjection.md
+++ b/2_0_vulns/translations/zh-CN/LLM01_PromptInjection.md
@@ -1,89 +1,145 @@
-### LLM01:2025 提示注入（Prompt Injection）
+## LLM01:2025 提示注入
 
-#### 描述
+### 描述
 
-提示注入漏洞是指用户输入的提示改变了大语言模型（LLM）的行为或输出，产生了非预期的结果。这些输入可能对人类来说无法察觉，但只要内容被模型解析，提示注入就可能发生。
+提示注入漏洞发生在用户提示以未预期的方式改变大型语言模型（LLM）的行为或输出时。这些输入甚至可能对人类来说是不明显的，但模型能够解析它们并据此改变行为。因此，提示注入不需要是人类可见或可读的，只要内容被模型解析即可。
 
-提示注入漏洞的本质在于模型如何处理提示，以及输入如何迫使模型错误地将提示数据传递给模型的其他部分，从而导致违反指导原则、生成有害内容、启用未授权访问或影响关键决策。尽管诸如检索增强生成（RAG）和微调等技术旨在提高LLM输出的相关性和准确性，但研究表明，它们无法完全消除提示注入漏洞。
+提示注入漏洞存在于模型处理提示的方式中，以及输入如何迫使模型错误地将提示数据传递到模型的其他部分，可能使其违反指南、生成有害内容、启用未经授权的访问或影响关键决策。虽然诸如检索增强生成（RAG）和微调等技术旨在使LLM输出更相关和准确，但研究显示它们并不能完全缓解提示注入漏洞。
 
-提示注入和越狱（Jailbreaking）是LLM安全中的相关概念，二者常被混用。提示注入指通过特定输入操控模型的响应以改变其行为，这可能包括绕过安全措施。而越狱是一种提示注入，攻击者提供的输入导致模型完全忽略其安全协议。开发者可以通过在系统提示和输入处理上构建防护措施来缓解提示注入攻击，但有效防止越狱需要持续更新模型的训练和安全机制。
+尽管提示注入和越狱在LLM安全领域中是相关的概念，但它们常常被互换使用。提示注入涉及通过特定输入操纵模型响应以改变其行为，这可能包括绕过安全措施。越狱是一种提示注入的形式，攻击者提供的输入导致模型完全忽视其安全协议。开发者可以构建防护措施到系统提示和输入处理中，以帮助缓解提示注入攻击，但有效预防越狱需要对模型的训练和安全机制进行持续更新。
 
-#### 提示注入漏洞的类型
+### 提示注入漏洞类型
 
-##### 直接提示注入
-直接提示注入发生在用户的提示输入直接改变了模型的行为，导致非预期或意外的结果。输入可能是有意的（例如，恶意攻击者故意构造提示来利用模型）或无意的（例如，用户无意中提供触发意外行为的输入）。
+#### 直接提示注入
 
-##### 间接提示注入
-间接提示注入发生在LLM从外部来源（如网站或文件）接收输入时。如果外部内容包含在模型解析时改变模型行为的数据，就会发生间接提示注入。这种注入同样可能是有意的或无意的。
+直接提示注入发生在用户提示输入直接改变模型行为在未预期或意外的方式时。输入可以是故意的（即恶意行为者精心制作提示以利用模型）或非故意的（即用户无意中提供触发意外行为的输入）。
 
-提示注入攻击成功后，其影响的严重性和性质很大程度上取决于模型运行的业务上下文及其架构设计。通常，提示注入可能导致以下结果：
+#### 间接提示注入
 
-- 泄露敏感信息
-- 暴露AI系统基础设施或系统提示的敏感信息
-- 内容操控导致错误或偏颇的输出
-- 提供未授权的功能访问
-- 在连接系统中执行任意命令
-- 干扰关键决策过程
+间接提示注入发生在LLM接受来自外部来源（如网站或文件）的输入时。这些内容可能包含当被模型解析时，会改变模型行为在未预期或意外方式的数据。与直接注入一样，间接注入可以是故意的或非故意的。
 
-多模态AI（同时处理多种数据类型）的兴起带来了独特的提示注入风险。攻击者可能利用模态之间的交互，例如在伴随正常文本的图像中隐藏指令。系统的复杂性扩大了攻击面，多模态模型还可能受到当前技术难以检测和缓解的新型跨模态攻击的影响。因此，开发针对多模态系统的防御措施是进一步研究和发展的重点。
+成功提示注入攻击的影响严重性和性质很大程度上取决于模型运作的业务环境以及模型的设计自主性。一般来说，提示注入可能导致不受期望的结果，包括但不限于：
 
-#### 防范和缓解策略
+- 敏感信息泄露
 
-提示注入漏洞是生成式AI的工作特性所致。由于模型工作的随机性影响，目前尚不明确是否存在万无一失的防护方法。然而，以下措施可以减轻提示注入的影响：
+- 揭露关于AI系统基础设施或系统提示的敏感信息
 
-1. **限制模型行为**  
-   在系统提示中明确规定模型的角色、能力和限制。强化上下文的严格遵守，限制响应于特定任务或主题，并指示模型忽略修改核心指令的尝试。
+- 内容操纵导致不正确或有偏见的输出
 
-2. **定义并验证预期的输出格式**  
-   指定明确的输出格式，要求详细的推理和来源引用，并使用确定性代码验证输出是否符合这些格式。
+- 为LLM提供未经授权的功能访问
 
-3. **实现输入和输出过滤**  
-   定义敏感类别并构建规则以识别和处理此类内容。应用语义过滤器并使用字符串检查扫描非允许内容。通过RAG三重性（上下文相关性、可信性、问答相关性）评估响应，以识别潜在的恶意输出。
+- 执行连接系统的任意命令
 
-4. **执行权限控制与最低权限访问**  
-   为应用程序提供独立的API令牌用于扩展功能，并在代码中处理这些功能，而非将其直接提供给模型。限制模型的访问权限，仅允许其完成预期操作所需的最低权限。
+- 操纵关键决策过程
 
-5. **对高风险操作要求人工审批**  
-   在特权操作中实施人工干预控制，防止未授权的行为。
+多模态AI的兴起，即同时处理多种数据类型的系统，引入了独特的提示注入风险。恶意行为者可能利用模态之间的交互，例如在伴随良性文本的图像中隐藏指令。这些系统的复杂性扩大了攻击面。多模态模型也可能容易受到难以检测和缓解的新型跨模态攻击。开发针对多模态特定防御是进一步研究和发展的重要领域。
 
-6. **隔离并标记外部内容**  
-   对不受信任的内容进行分隔并清晰标注，以限制其对用户提示的影响。
+### 预防和缓解策略
 
-7. **进行对抗性测试与攻击模拟**  
-   定期执行渗透测试和入侵模拟，将模型视为不可信用户，以测试信任边界和访问控制的有效性。
+提示注入漏洞是由于生成式AI的本质而可能出现的。鉴于模型工作方式中的随机影响，目前尚不清楚是否存在预防提示注入的绝对方法。然而，可以采取以下措施来减轻提示注入的影响：
 
-#### 示例攻击场景
+1. **约束模型行为**
 
-1. **直接注入**  
-   攻击者向客户支持聊天机器人注入提示，指示其忽略先前的指南、查询私有数据存储并发送邮件，导致未授权访问和权限升级。
+   在系统提示中提供关于模型角色、能力和限制的具体指示。强制严格执行上下文依从性，限制响应特定任务或主题，并指示模型忽略修改核心指令的尝试。
 
-2. **间接注入**  
-   用户利用LLM总结包含隐藏指令的网页内容，导致LLM插入指向URL的图像，从而泄露私人对话。
+2. **定义和验证预期输出格式**
 
-3. **无意注入**  
-   公司在职位描述中加入指令以识别AI生成的申请材料。申请人不知情地使用LLM优化简历，无意中触发了AI检测。
+   明确规定输出格式，要求详细推理和引用来源，并使用确定性代码验证对这些格式的遵守。
 
-4. **故意影响模型**  
-   攻击者修改RAG应用程序使用的文档存储库。当用户的查询返回修改内容时，恶意指令改变了LLM的输出，生成误导性结果。
+3. **实施输入和输出过滤**
 
-5. **代码注入**  
-   攻击者利用LLM支持的电子邮件助手的漏洞（CVE-2024-5184）注入恶意提示，获取敏感信息并操控邮件内容。
+   定义敏感类别并构建规则以识别和处理此类内容。应用语义过滤器，并使用字符串检查扫描不允许的内容。通过RAG三角评估上下文相关性、基于事实性和问题/答案相关性，以识别潜在恶意输出。
 
-6. **负载拆分**  
-   攻击者上传包含拆分的恶意提示的简历。当LLM用于评估候选人时，组合提示操控模型响应，生成与实际简历内容不符的积极评价。
+4. **执行特权控制和最小权限访问**
 
-7. **多模态注入**  
-   攻击者在伴随正常文本的图像中嵌入恶意提示。当多模态AI同时处理图像和文本时，隐藏的提示改变了模型行为，可能导致未授权的行为或敏感信息泄露。
+   为应用程序提供自己的API令牌以实现可扩展功能，并在代码中处理这些功能而不是提供给模型。限制模型的访问权限至其操作所需的最低必要级别。
 
-8. **对抗性后缀**  
-   攻击者在提示后附加看似无意义的字符字符串，影响LLM的输出，绕过安全措施。
+5. **要求对高风险行动进行人工审批**
 
-9. **多语言/混淆攻击**  
-   攻击者使用多种语言或编码恶意指令（如Base64或表情符号），绕过过滤器并操控LLM的行为。
+   对特权操作实施人机协作控制，以防未经授权的操作。
 
-#### 参考链接
+6. **隔离和识别外部内容**
 
-1. [ChatGPT 插件漏洞 - Chat with Code](https://embracethered.com/blog/posts/2023/chatgpt-plugin-vulns-chat-with-code/)  
-2. [ChatGPT 跨插件请求伪造与提示注入](https://embracethered.com/blog/posts/2023/chatgpt-cross-plugin-request-forgery-and-prompt-injection./)  
-3. [通过间接提示注入攻击现实世界LLM应用程序](https://arxiv.org/pdf/2302.12173.pdf)  
-4. [通过自我提醒防御ChatGPT的越狱攻击](https://www.researchsquare.com/article/rs-2873090/v1)  
+   将不受信任的内容分开并明确标记，以限制其对用户提示的影响。
+
+7. **进行对抗性测试和攻击模拟**
+
+   定期进行渗透测试和漏洞模拟，将模型视为不受信任的用户，以测试信任边界和访问控制的有效性。
+
+### 示例攻击场景
+
+#### 场景 #1：直接注入
+
+攻击者向客户支持聊天机器人注入提示，指示其忽略先前指南、查询私人数据存储并发送电子邮件，导致未经授权的访问和特权升级。
+
+#### 场景 #2：间接注入
+
+用户使用LLM总结包含隐藏指令的网页内容，这些指令导致LLM插入链接到URL的图像，从而导致私人对话的外泄。
+
+#### 场景 #3：非故意注入
+
+公司在求职描述中包含识别AI生成申请的指示。申请人不知情地使用LLM优化简历，无意中触发了AI检测。
+
+#### 场景 #4：有意模型影响
+
+攻击者修改仓库中的文档，该仓库被检索增强生成（RAG）应用程序使用。当用户查询返回修改后的内容时，恶意指令会改变LLM的输出，产生误导性结果。
+
+#### 场景 #5：代码注入
+
+攻击者利用漏洞（如CVE-2024-5184）在LLM驱动的电子邮件助手中注入恶意提示，允许访问敏感信息并操纵电子邮件内容。
+
+#### 场景 #6：负载分割
+
+攻击者上传包含分割恶意指令的简历。当LLM用于评估候选人时，组合指令会操纵模型的响应，导致尽管实际简历内容不符，但仍产生积极推荐。
+
+#### 场景 #7：多模态注入
+
+攻击者将恶意提示嵌入到伴随良性文本的图像中。当多模态AI同时处理图像和文本时，隐藏的提示会改变模型行为，可能導致未经授权的操作或敏感信息泄露。
+
+#### 场景 #8：对抗性后缀
+
+攻击者在提示末尾附加看似无意义的字符串，影响LLM输出，绕过安全措施。
+
+#### 场景 #9：多语言/混淆攻击
+
+攻击者使用多种语言或编码恶意指令（如Base64或表情符号）以规避过滤器并操纵LLM行为。
+
+### 参考链接
+
+1. [ChatGPT插件漏洞 - 与代码聊天](https://embracethered.com/blog/posts/2023/chatgpt-plugin-vulns-chat-with-code/) **Embrace the Red**
+
+2. [ChatGPT跨插件请求伪造和提示注入](https://embracethered.com/blog/posts/2023/chatgpt-cross-plugin-request-forgery-and-prompt-injection./) **Embrace the Red**
+
+3. [并非你所签署的：利用间接提示注入破坏现实世界中的LLM集成应用](https://arxiv.org/pdf/2302.12173.pdf) **Arxiv**
+
+4. [通过自我提醒防御ChatGPT越狱攻击](https://www.researchsquare.com/article/rs-2873090/v1) **Research Square**
+
+5. [针对LLM集成应用的提示注入攻击](https://arxiv.org/abs/2306.05499) **Cornell University**
+
+6. [注入我的PDF：简历中的提示注入](https://kai-greshake.de/posts/inject-my-pdf) **Kai Greshake**
+
+8. [并非你所签署的：利用间接提示注入破坏现实世界中的LLM集成应用](https://arxiv.org/pdf/2302.12173.pdf) **Cornell University**
+
+9. [威胁建模LLM应用程序](https://aivillage.org/large%20language%20models/threat-modeling-llm/) **AI Village**
+
+10. [通过设计减少提示注入攻击的影响](https://research.kudelskisecurity.com/2023/05/25/reducing-the-impact-of-prompt-injection-attacks-through-design/) **Kudelski Security**
+
+11. [对抗性机器学习：攻击和缓解措施的分类与术语](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2023.pdf)
+
+12. [针对大型视觉语言模型的攻击：资源、进展及未来趋势调查](https://arxiv.org/abs/2407.07403)
+
+13. [利用标准安全攻击探索LLMs的程序化行为：双重用途](https://ieeexplore.ieee.org/document/10579515)
+
+14. [对齐语言模型上的通用和可转移对抗性攻击](https://arxiv.org/abs/2307.15043)
+
+15. [从ChatGPT到威胁GPT：生成式AI在网络安全与隐私领域的影响力](https://arxiv.org/abs/2307.00691)
+
+### 相关框架和分类法
+
+参考此部分以获取全面的信息、场景策略以及关于基础设施部署、环境控制和其他最佳实践。
+
+- [AML.T0051.000 - LLM提示注入：直接](https://atlas.mitre.org/techniques/AML.T0051.000) **MITRE ATLAS**
+
+- [AML.T0051.001 - LLM提示注入：间接](https://atlas.mitre.org/techniques/AML.T0051.001) **MITRE ATLAS**
+
+- [AML.T0054 - LLM越狱注入：直接](https://atlas.mitre.org/techniques/AML.T0054) **MITRE ATLAS**