建设性安全对齐 CSA 是什么？不只拒绝，还要引导用户走向安全

建设性安全对齐（Constructive Safety Alignment，CSA）是一种新的大模型安全对齐理念，由阿里巴巴集团安全部和清华大学等机构的研究人员在 2025 年 9 月提出，论文标题是《Oyster-I：超越拒绝，面向负责任语言模型的建设性安全对齐》。

传统安全机制的盲点

大语言模型通常会部署安全机制，防止生成有害内容。论文指出，目前的大多数方法把关注点放在恶意使用者带来的风险上，把风险当成对抗性事件来处理，主要依靠防御性的拒绝：检测到敏感话题就回答“抱歉，我无法帮助你”。但在真实场景中，风险还来自那些并无恶意、却正处于心理困境中的用户，比如有自伤念头的人。对这些用户来说，模型的回应会强烈影响他们接下来的行为。简单的拒绝可能让他们反复尝试、情绪升级，或者转向其他更不安全的信息来源，冷冰冰的拒绝反而可能把人推向更危险的境地。

建设性安全对齐的思路

CSA 的目标是超越被动的防御和一刀切的拒绝，转向主动、安全且有帮助的回应。它不仅要防止恶意的滥用，还要主动引导非恶意的用户获得安全、有益的结果。以有自伤倾向的用户为例：模型不会提供任何有害的具体信息，但也不会简单地拒绝了事，而是表达关心和理解，提供情绪上的支持，鼓励对方寻求专业帮助，并给出求助热线等资源。

为了做到这一点，研究者在模型训练中考虑了用户的反应：把对话看作一个多轮的互动过程，评估模型的回应会让用户接下来怎么做，从而选择最能把用户引向安全的回应方式，同时让模型更准确地区分真正的恶意请求和需要帮助的求助。

意义

研究团队开源了基于这一理念训练的 Oyster-I 模型，并报告它在保持安全性的同时，显著提升了回应的有用性。这项工作代表了一种更有人情味的安全观：AI 安全不只是“不说错话”，也包括在关键时刻真正帮到人。