DeepTeam
O DeepTeam, framework de red teaming de código aberto da Confident AI, executa dois modelos próprios: simulator_model escreve os ataques e evaluation_model julga as respostas da sua aplicação. Os dois aceitam qualquer modelo do DeepEval, e o LocalModel do DeepEval (o provedor local dele) funciona com qualquer API compatível com OpenAI por meio de base_url; assim, os dois podem rodar em https://api.abliteratedllm.dev/v1. Use como simulador o glm-5.3-cyber-abliterated, cujas recusas foram removidas para trabalho de segurança; o glm-5.3-flash-abliterated é uma opção mais barata, por exemplo para a avaliação.
Execute o DeepTeam apenas contra aplicações que sejam suas ou que você tenha autorização para testar. Você é responsável pela forma como usa o serviço; veja a política de uso aceitável.
Marcadores:
$API_BASEéhttps://api.abliteratedllm.dev/v1,$API_ORIGINéhttps://api.abliteratedllm.deve$YOUR_KEYé sua chave de API.
1. Instale e defina sua chave
pip install -U deepteamO exemplo lê sua chave da variável de ambiente ABLITERATEDLLM_API_KEY. Bash ou Zsh (adicione a linha ao ~/.zshrc ou ao ~/.bashrc para mantê-la):
export ABLITERATEDLLM_API_KEY="$YOUR_KEY"Windows (vale para os terminais que você abrir depois):
setx ABLITERATEDLLM_API_KEY "$YOUR_KEY"2. Faça red teaming com nossos modelos
import os
from deepeval.models import LocalModel
from deepteam import red_team
from deepteam.attacks.single_turn import PromptInjection
from deepteam.test_case import RTTurn
from deepteam.vulnerabilities import PromptLeakage
model = LocalModel(
model="glm-5.3-cyber-abliterated",
base_url="$API_BASE",
api_key=os.environ["ABLITERATEDLLM_API_KEY"],
generation_kwargs={"reasoning_effort": "low"},
)
async def model_callback(input: str, turns: list[RTTurn] = None) -> RTTurn:
# Call the application you're authorized to test and return its reply
return RTTurn(role="assistant", content="Your application's response here...")
risk_assessment = red_team(
model_callback=model_callback,
vulnerabilities=[PromptLeakage()],
attacks=[PromptInjection()],
simulator_model=model,
evaluation_model=model,
)
print(risk_assessment.overview)- Passe objetos
LocalModel, não nomes de modelo. Um nome simples seleciona um dos provedores integrados do DeepEval, ered_team()usa por padrão nomes de modelos da OpenAI, que, apenas comdeepeval set-local-model, seriam enviados à nossa API como ID do modelo. base_urltermina em/v1; oLocalModelchama/v1/chat/completions.generation_kwargsadiciona campos a cada requisição.reasoning_effort: lowmantém o simulador rápido; noglm-5.3-cyber-abliterated, sólowehightêm efeito.- Para um juiz mais barato, passe um segundo
LocalModelcommodel="glm-5.3-flash-abliterated"comoevaluation_model. - Por padrão,
red_team()envia até 10 requisições ao mesmo tempo. Em uma conta de teste, adicionemax_concurrent=1.
Bom saber
- Saída estruturada. O DeepTeam pede JSON aos dois modelos, e o
LocalModelo extrai do texto da resposta. Para varreduras grandes, o DeepTeam recomenda modelos cujogenerate()aceite o schema que ele passa, para evitar JSON inválido. Se você escrever umDeepEvalBaseLLMpersonalizado que imponha esse schema, nossos modelos aceitamjson_schemaestrito emresponse_format(veja POST /v1/chat/completions). - Verificação automática. As requisições passam pela verificação automática descrita na política de uso aceitável, que recusa material de abuso sexual infantil e instruções executáveis para armas capazes de causar vítimas em massa com 400
content_policy_violation. Depois de 30 requisições rejeitadas em um minuto, as requisições da conta falham com 429rate_limit_exceededaté a janela reiniciar (veja Limites de requisições e teste grátis); por isso, deixe vulnerabilidades desse tipo fora das execuções que usam nossos modelos. - Contas de teste permitem 1 requisição simultânea e 4096 tokens de saída. O
glm-5.3-cyber-abliteratede oglm-5.3-flash-abliteratedraciocinam antes de responder, e os tokens de raciocínio contam para o orçamento de saída. Veja Limites de requisições e teste grátis.
Verificado na documentação e no código-fonte do DeepTeam 1.0.10 e do DeepEval 4.3.4 em 2026-11-19: Introdução ao red teaming (simulator_model, evaluation_model, max_concurrent), a configuração de modelos locais do DeepEval (LocalModel, base_url, generation_kwargs) e LLMs personalizados.