[Tempest AI 深度解讀] Cursor、Claude Code、Copilot 都可能留密碼:AI 編碼代理的憑證盲區 (2026-10-05)

這起事件的核心,不是「AI 自己偷走密碼」,而是編碼代理取得更大的本機與外部系統操作能力後,認證資料也跟著散落到傳統安全控管看不到的位置。當 Cursor、Claude Code、GitHub Copilot CLI 能讀檔、執行指令,並透過 Model Context Protocol(MCP)連接程式庫、資料庫、雲端與 SaaS,開發者電腦就不再只是寫程式的終端,而成為多組機器身分與權限的集中點。

來源事實:憑證留下的是一條「端點足跡」

GitGuardian 的調查指出,API 金鑰、權杖與連線字串可能出現在 MCP 設定、環境變數、提示內容、指令輸出、除錯日誌、工作階段紀錄、Shell 歷史與暫存檔。部分檔案會進入 Git,但使用者家目錄中的設定與紀錄通常不會經過程式庫或 CI 掃描。該公司聲稱在公開 MCP 相關設定檔中找到 24,008 組不重複祕密,其中 2,117 組仍有效;Claude Code 輔助的公開提交出現祕密的比率為 3.2%,全體公開 GitHub 提交基準則為 1.5%。原始調查與產品說明見:https://blog.gitguardian.com/ai-coding-agents-credential-security/

這些數字必須放回來源脈絡理解:GitGuardian 本身販售祕密偵測與端點保護產品,3.2% 與 1.5% 是其觀察結果,並不能證明 Claude Code「造成」外洩。原文也明確承認沒有建立因果關係。因此,可確認的是 AI 輔助提交與較高的觀察外洩率同時出現,而不是工具必然導致洩密。

運作機制:安全儲存與周邊憑證是兩件事

三款工具並非完全以明文保存主要登入權杖。以 Copilot CLI 為例,GitHub 官方文件說明其預設使用 macOS Keychain、Windows Credential Manager 或 Linux Secret Service;但若系統沒有可用的金鑰圈,例如部分無頭 Linux 環境,使用者可將權杖存入 ~/.copilot/config.json 明文檔案。環境變數中的權杖還會優先於金鑰圈內容:https://docs.github.com/en/copilot/how-tos/copilot-cli/set-up-copilot-cli/authenticate-copilot-cli

Copilot 官方另列出 logs/、工作階段狀態、指令歷史、SQLite 儲存庫、MCP OAuth 備援資料及權限決策等本機項目。這證實問題不能只用「登入權杖有沒有進金鑰圈」判斷:https://docs.github.com/en/copilot/reference/copilot-cli-reference/cli-config-dir-reference

Claude Code 官方文件則顯示,專案層級的 .mcp.json 可提交到版本控制供團隊共享,也支援以 ${VAR} 引用環境變數;但設定格式同時容許環境欄位與認證標頭。換言之,工具提供較安全的間接引用,不等於能阻止使用者把真實權杖直接寫入設定:https://code.claude.com/docs/en/mcp?ref=blog.gitguardian.com

為何現在值得注意

合理推論:風險上升的原因不是新增一種檔案,而是權限、速度與規模同時改變。過去 IDE 多半消費程式碼;代理現在可以啟動本機程序、讀取更多目錄,並帶著使用者授予的身分呼叫外部服務。每增加一個 MCP 連線,就可能增加一組非人類身分、權限範圍與生命週期,既有的程式庫掃描卻只看得到其中一部分。

另一份由 Hush Security 進行的調查,分析約 82,000 份公開 MCP 設定檔,發現受檢憑證欄位中有 12% 直接寫入疑似憑證字串,當中 55% 沒有可供傳統規則辨識的供應商格式。該研究未向服務商驗證憑證是否有效,且 GitHub 搜尋只涵蓋預設分支、排除 fork 並受查詢上限影響,所以不能與 GitGuardian 的「有效憑證」數直接相比;但它獨立支持了「明文設定確實普遍存在、格式比傳統掃描規則更分散」這項風險判斷:https://www.hush.security/state-of-mcp/

實際影響與容易忽略的限制

若外洩的是低權限、短效且限定單一服務的權杖,衝擊可能受控;若是長效 GitHub PAT、雲端金鑰、資料庫連線字串或跨專案共用權杖,攻擊者可能讀取私有原始碼、存取資料或利用雲端資源。刪掉目前檔案並不等於完成修復:Git 歷史、其他開發者的複本、日誌與備份仍可能保留原值,正確事件處理順序應包含撤銷或輪替,再清除各處副本。

但端點掃描也不是萬靈丹。它可能遇到誤判、隱私與效能取捨,也無法取代 IAM、祕密管理器、EDR、程式庫掃描或 MCP 伺服器本身的授權檢查。OWASP 的 MCP 安全建議強調每個伺服器使用獨立且最小權限的憑證、優先採短效權杖、使用作業系統安全儲存,並在日誌中遮蔽祕密;同時還要限制本機伺服器的檔案與網路存取:https://cheatsheetseries.owasp.org/cheatsheets/MCP_Security_Cheat_Sheet.html

對台灣開發團隊的意義

作者觀點:台灣團隊最該調整的不是「禁用 AI」,而是把開發者筆電視為正式的身分與祕密管理範圍。新創、接案商、供應鏈廠商與跨國研發中心常同時接觸客戶 Git、雲端帳號及內部系統;一台電腦上的代理設定,可能跨越原本分離的信任邊界。

  • 盤點實際使用的編碼代理、MCP 伺服器、設定位置與可搬移的狀態目錄,不只檢查專案資料夾。
  • 禁止在可提交的 MCP 設定中直接寫入祕密,改用安全儲存、執行階段注入或短效 OAuth;每個整合使用獨立、最小權限憑證。
  • 保留 pre-commit 與 CI 掃描,同時將經核准的端點掃描納入管理;日誌、歷史與暫存檔須有遮蔽及保存期限。
  • 發現外洩時,以「撤銷、輪替、查閱使用紀錄、清除副本」處理,不把刪檔或重新提交視為結案。

後續觀察指標

接下來可追蹤四件事:各工具是否預設拒絕明文憑證、企業管理政策能否統一限制 MCP 來源與權限、短效且按服務切割的 OAuth 是否取代長效 PAT,以及端點發現的祕密中有多少能在時限內完成撤銷。真正能衡量改善的,不是掃描出多少筆,而是未受管理的代理與長效高權限憑證是否持續下降。

[Tempest AI News] 技術新聞精華 (2026-10-04)

本期焦點涵蓋 AI 產業投資與安全治理、Claude Code 擴充與防護、MCP 生態系實作,以及 AI 輔助開發流程的可靠性。以下整理 13 則值得工程團隊關注的技術動態。

科技巨頭持續加碼 AI,安全治理立場出現分歧

NVIDIA、Alphabet 與 Meta 簽署白宮提出的自願性 AI 安全協議,Microsoft 與 Amazon 則出席活動但未簽署。另一方面,Google 持續擴大 Gemini 布局,Microsoft 將 Copilot 定位為「工作的全新作業系統」,Meta 也把企業 AI 平台視為下一個重要成長支柱,顯示大型科技公司仍在同步推進算力、模型與企業應用投資。

https://ift.tt/YTj1Cke

開源專案對 AI 協作署名沒有統一規則

有開發者檢視 30 個開源儲存庫的貢獻規範,發現 Claude Code 預設加入的 Co-Authored-By trailer,在部分專案是必要資訊,在另一些專案卻遭到禁止。使用 coding agent 投稿前,不能只依賴工具預設值,仍應檢查 CONTRIBUTING、PR 範本、AGENTS.md、CLAUDE.md 與相關指南。

https://ift.tt/sFwSylR

用 Docker 保管憑證,讓 AI agent 不必直接取得密碼

authyouragent 是以 Python、JavaScript 與 Docker 建構的憑證保管庫及 MCP server,目標是讓 AI agent 可以操作網站,同時避免把使用者密碼直接交給模型。這類架構把身分驗證與 agent 執行環境分離,可作為設計網站自動化流程時的安全邊界參考。

https://ift.tt/SN1BUFt

Synapse 以本機 Markdown 建立可查詢的 agent 長期記憶

Synapse 是採 MIT 授權的本機記憶庫,可匯入 ChatGPT 與 Claude 匯出資料,並讓 OpenClaw 透過 MCP 查詢。內容保存在使用者能直接檢視及編輯的檔案中,適合希望保有資料控制權、又需要跨工作階段長期上下文的 agent 工作流程。

https://ift.tt/jhaWE9l

Copilot Harness 測試 agent 實際可執行的工具能力

文章檢視 Microsoft Copilot Studio 中的 GitHub Copilot Harness,重點放在 skills、工具與實際執行環境。對導入 agent 的團隊而言,模型宣稱能完成某項任務並不等於執行環境真的允許;權限、可用工具及執行限制都應納入測試。

https://ift.tt/AxSNCk9

WordPress MCP 連線失敗不一定是外掛故障

當 Claude 顯示「Couldn’t reach the MCP server」時,問題未必出在 WordPress 外掛本身。WPPilot 提供 MCP endpoint、OAuth、Application Password、安全設定檔、寫入前預覽與變更紀錄;除外掛狀態外,除錯時也應一併檢查驗證方式、端點可達性與客戶端設定。

https://ift.tt/SyKtJQx

讓 coding agent 透過 MCP 直接讀取 API 規格

coding agent 即使能快速產生畫面與表單,也可能猜錯 API 欄位,例如混用 limit 與 pageSize,或錯誤解析回應資料結構。將 API 規格透過 MCP 提供給 agent,可讓實作直接依循契約,降低欄位名稱及回傳格式被臆測的風險。

https://ift.tt/C1zgsJM

Agent-blackbox 為 coding agent 加入防竄改操作紀錄

Agent-blackbox 是針對 AI coding agent 設計的本機「飛行紀錄器」與提示注入防火牆,目前先支援 Claude Code,並規劃擴及 Codex、Cursor 與 Gemini CLI。它會將提示、工具呼叫及工具結果寫入僅能附加的紀錄,且標榜不需帳號、不使用雲端服務,也不會上傳遙測資料。

https://ift.tt/9nDIijr

Vibe coding 無法取代軟體工程基本功

GitHub Copilot、Cursor 與 Claude Code 能迅速產生程式碼,甚至在短時間內建立微服務,但語法產出速度並不等於系統品質。文章主張,資料結構、除錯、架構與系統行為等基本功,仍是判斷生成結果是否可靠,以及避免建立脆弱系統的關鍵能力。

https://ift.tt/LQhS6Vu

Claude Code Mods 開放深度客製,也帶來新的安全面

Anthropic 推出 Claude Code Mods,開發者可透過 TypeScript 外掛調整提示、工具呼叫、使用者介面與 agent 行為,並可隨 plugin 發布及分享。由於 mod 能介入高權限執行流程,安裝第三方套件前應檢查來源與程式碼,並審慎評估其可存取的工具和資料。

https://ift.tt/I43hNOZ

開源 Claude Code skill 嘗試降低 AI code review 雜訊

一項針對 50 個真實 pull request 的公開基準測試中,CodeRabbit 提出 300 個問題,其中 77 個對應基準所列的真實錯誤。作者據此製作開源 Claude Code skill,希望讓審查結果減少約三分之一的雜訊,凸顯 AI code review 除了召回錯誤,也需要控制誤報及團隊的審查負擔。

https://ift.tt/5nxPbQ9

MCP 移除握手流程後,server 架構需要重新調整

MCP 的 2026-07-28 修訂移除了 initialize、notifications/initialized 與 Mcp-Session-Id 等握手機制。表面上是協定簡化,實際上會影響 server 如何協商能力、保存狀態及管理請求生命週期;維護 MCP 實作的團隊需要重新檢視對舊連線流程的假設。

https://ift.tt/mIRyXv4

Claude Code 修補可繞過 rm 防護的 shell 包裝方式

Claude Code 2.1.288 修正一項安全檢查缺口:原本用來阻止 agent 刪除工作目錄的防護,可被簡短的 bash -c 包裝方式繞過。修正版已於 10 月 2 日發布至 npm,但報導指出 stable 標籤當時仍指向 2.1.285;依賴 stable 或固定舊版的使用者應確認實際安裝版本,而不能只假設已取得修補。

https://ift.tt/oEJtxPc

[Tempest AI 深度解讀] MCP 不必惡意也能劫持代理:一個 PR 標題如何攻破三套程式工具 (2026-08-23)

一個看似普通的 GitHub PR 標題,為何可能讓程式代理交出金鑰?關鍵不在 MCP 伺服器是否藏有惡意程式,而在於代理把外部文字當成工作資料讀入後,又能在同一環境執行指令、接觸憑證並對外寫入。這使「資料」有機會跨越界線,變成代理實際服從的「指令」。

先釐清:不是同一個 PR 標題攻破三套工具

觸發本次討論的文章主張,即使 MCP 伺服器本身完全正常,伺服器傳回的不可信內容仍可能劫持代理:https://dev.to/automate_ai/your-mcp-server-isnt-malicious-thats-not-the-point-lf1。這個安全論點成立,但原文把案例濃縮成「修改一個 PR 標題,就攻破 Claude Code、Gemini CLI 與 GitHub Copilot」,容易造成誤解。

已證實的事實是:研究者 Aonan Guan 與約翰霍普金斯大學的 Zhengyu Liu、Gavin Zhong,分別利用三種 GitHub 內容入口測試三套代理。Claude Code Security Review 的入口是 PR 標題;Gemini CLI Action 涉及 issue 標題與留言;GitHub Copilot Agent 則是藏在 issue 內的 HTML 註解,而且需要有人把該 issue 指派給 Copilot。研究者將共同攻擊模式命名為「Comment and Control」,完整揭露見:https://oddguan.com/blog/comment-and-control-prompt-injection-credential-theft-claude-code-gemini-cli-github-copilot/。SecurityWeek 的獨立報導也核對了三項發現、通報與獎勵結果:https://www.securityweek.com/claude-code-gemini-cli-github-copilot-agents-vulnerable-to-prompt-injection-via-comments/。

攻擊鏈真正如何運作

  • 輸入:外部貢獻者控制 PR 標題、issue 內容或留言,把自然語言指令混入代理原本就必須閱讀的資料。
  • 混淆:模型能理解文字的語意,卻未必可靠辨別「這是待分析內容」或「這是應執行命令」。惡意伺服器並非必要條件。
  • 能力放大:代理可呼叫 Bash、讀取程序環境、建立留言、提交檔案或推送分支;提示注入因而不再只是產生錯誤回答,而能轉化為系統操作。
  • 資料外流:研究中的憑證可經 PR 或 issue 留言、Actions 紀錄,甚至 Git commit 回傳。Copilot 案例還以 Base64 避開字串型祕密掃描,並利用原本獲准連線的 GitHub 作為外流通道。

Copilot 案例尤其說明「MCP 伺服器沒被植入後門」不等於安全。研究者發現,敏感環境變數雖自 Bash 子程序移除,父層程序與 MCP 程序仍保留憑證;子程序再透過程序資訊間接讀取。這不是 MCP 協定單獨造成的漏洞,而是執行環境、權限與不可信內容被放進同一條代理工作流後形成的組合風險。

為何現在值得注意

傳統 CI/CD 會把輸入視為字串,再由固定程式決定如何處理;代理式流程則讓模型同時解讀輸入、規劃步驟並選擇工具。MCP 又讓資料庫、GitHub、工單與內部系統更容易接入同一個代理。商業價值來自減少人工切換與自動完成工作,但能力愈集中,單一不可信欄位可影響的範圍也愈大。

合理推論是:只審查 MCP 套件來源、掃描工具描述或封鎖幾個危險字詞,無法完整處理這類風險。因為惡意內容可能來自合法工具所讀取的正常業務資料;封鎖某個指令,也不代表其他讀取或外流路徑不存在。真正的控制點應落在「動作能否發生」與「資料能否離開」,而不只是期待模型識破惡意語句。

實際防線與容易忽略的限制

GitHub 目前的官方文件明確承認 hidden messages 可形成提示注入,並列出限制觸發者、過濾 HTML 註解、縮小代理憑證、限制可推送分支、管制工具及要求人工審核等措施:https://docs.github.com/en/copilot/concepts/agents/cloud-agent/risks-and-mitigations。GitHub MCP Server 另提供 Lockdown 模式,對缺乏 push 權限者的內容拒絕或過濾,並預設清理隱藏 Unicode、HTML 與特定 Markdown 內容:https://github.blog/changelog/2025-12-10-the-github-mcp-server-adds-support-for-tool-specific-configuration-and-more/。

但這些措施不能被解讀成「提示注入已解決」。內容清理可能降低已知載體,卻不是通用的語意隔離;人工核准若只顯示模糊的工具名稱,也可能淪為例行點擊;唯讀權限若仍可讀取不必要的祕密,資料一樣可能外流。研究展示的是測試環境中的成功攻擊,不等於所有版本、所有設定都必然受害,也不能據此宣稱已發生大規模實際竊密。

對台灣團隊的意義

台灣的軟體公司、製造業 IT 團隊與供應鏈協作環境,常同時涉及外包人員、開源專案、GitHub Actions、雲端部署金鑰及內部工單。風險盤點不應只問「用了哪個模型」,而要逐條畫出:哪些外部人士可寫入代理會讀取的內容、代理可呼叫哪些工具、執行環境中有哪些憑證,以及輸出可送往何處。

作者觀點是:企業應把代理視為一個可能被社交工程影響的自動化帳號,而不是更聰明的文字編輯器。每個任務使用獨立、短效、最小權限身分;讀取、修改與發布能力分離;不讓模型程序直接持有長效部署金鑰;高風險工具採逐次授權;並在執行層記錄實際讀取的資源與外送目的地。這些控制即使模型判斷失誤,仍能限制損害。

後續觀察指標

  • 供應商是否由封鎖特定字串,進一步改成工作負載隔離與能力白名單。
  • 代理身分是否採短效權杖、限定資源與限定寫入目的地。
  • 核准畫面能否揭露資料來源、完整參數及可能造成的外部副作用。
  • 測試是否涵蓋隱藏文字、編碼後資料、錯誤訊息與合法外連通道,而非只測已知提示範本。
  • 稽核紀錄能否回答「哪段外部內容促成哪一次工具呼叫」,並支援事件後追查。

這起事件最重要的訊息,不是「MCP 都不安全」,也不是「某個模型特別容易被騙」,而是信任不能隨資料來源自動繼承:合法伺服器可以傳回惡意內容,正常工具可以執行錯誤意圖,獲准的 GitHub 連線也可能成為外流路徑。代理安全的邊界,最終必須建立在權限、隔離與可驗證的執行政策上,而不是一句要求模型「忽略惡意指令」的提示詞。

[Tempest AI 深度解讀] 只要打開專案就中招:Serena MCP 程式代理的重大遠端執行漏洞 (2026-08-19)

這起事件真正值得警惕的,不只是 Serena 出現一個模板注入漏洞,而是「開啟專案」這個原本偏向讀取資料的動作,已被 AI 程式代理擴張成可能執行程式碼的高權限流程。GitLab 威脅研究團隊指出,攻擊者可把惡意設定藏進程式碼儲存庫;開發者只要透過受影響版本的 Serena 啟用該專案,攻擊程式便可能在代理開始處理第一個模型請求前執行。原始研究見:https://about.gitlab.com/blog/critical-rce-in-serena/

已確認的事件範圍

來源事實:Serena 是在本機執行的 MCP 程式開發工具,替 Claude Code、Cursor、Copilot、Codex 等 AI 助理提供語意導覽、重構與編輯能力。GitHub 官方安全公告把 GHSA-pp25-4cg4-qcr9 標示為 Critical,受影響套件為 serena-agent 1.6.1(含)以前,修補版本是 1.7.0:https://github.com/oraios/serena/security/advisories/GHSA-pp25-4cg4-qcr9

公告於 2026 年 8 月 9 日發布;GitHub 的 1.7.0 發行頁也顯示同日推出:https://github.com/oraios/serena/releases/tag/v1.7.0。截至查核時,官方公告仍寫明沒有已知 CVE 編號,因此不應自行替事件套用尚未核發或無法驗證的編號。

惡意專案如何變成執行入口

來源事實:攻擊鏈起點是儲存庫內的 .serena/project.yml。其中的 added_modes 可以指向另一份 YAML 模式檔;Serena 載入該檔案後,會取出 prompt 欄位,當成 Jinja2 模板建立系統提示。問題在於受影響版本採用一般的 jinja2.Environment(),而非限制物件屬性與方法存取的沙箱環境。

這裡有兩個容易混淆的層次。第一,yaml.safe_load 可以防範危險的 YAML 反序列化,卻不能阻止某個普通字串稍後被當成模板執行。第二,Serena 原有的 trusted_project_path_patterns 會攔截明顯具執行能力的 activation_command,但模式載入與提示渲染走的是另一條未套用信任檢查的路徑。因此,即使設定成沒有任何受信任專案,研究人員仍能觸發模板注入。

Jinja 官方文件確認,SandboxedEnvironment 是為渲染不可信模板而設計,可攔截不安全的屬性、方法與運算;這與 Serena 1.7.0 的修補方向一致:https://jinja.palletsprojects.com/en/stable/sandbox/

為什麼這比傳統專案檔攻擊更值得注意

合理推論:傳統 IDE 也曾面對工作區設定、建置腳本與外掛造成的專案型攻擊,但 MCP 程式代理往往同時接觸檔案系統、Shell、語言伺服器與其他開發工具。若 Serena 行程遭控制,程式碼會繼承啟動 Serena 的使用者權限;開發者帳號可讀取的 SSH 金鑰、雲端憑證、環境變數、內部原始碼與企業網路資源,都可能進入風險範圍。

不過,「可能接觸」不等於已經外洩。現有公告證明的是任意程式碼執行能力,並未證明已有大規模利用、特定台灣組織受害,或每台電腦都存有上述敏感資料。實際衝擊仍取決於 Serena 的版本、執行身分、主機憑證配置及網路權限。

「只要打開」仍有必要條件

限制釐清:使用者並非單純瀏覽 GitHub 網頁、下載 ZIP 或用檔案總管開啟目錄就必然中招。攻擊者必須先讓惡意檔案進入儲存庫,而受害者還要以 1.6.1 或更早版本的 Serena 啟用該專案。官方公告表示,在預設 LSP 後端及 desktop-app 情境下,觸發後不需要額外網路連線、認證或模型工具呼叫;這才是「開啟專案即執行」最精確的意思。

此外,改用 Jinja 沙箱是必要修補,卻不代表整個工具從此沒有風險。Jinja 官方明確提醒,沙箱不是完美安全邊界,惡意模板仍可能造成大量輸出、CPU 或記憶體消耗,應搭配資源限制,且只把必要資料交給模板。

對台灣開發團隊的實際意義

作者觀點:台灣軟體團隊常同時處理開源套件評估、客戶交付程式、外包商分支、求職作業與資安競賽題目;這些正是「程式碼看似可讀,專案設定卻由外部作者控制」的場景。治理重點不應只問 AI 模型會不會產生危險指令,而要把 MCP 伺服器視為本機高權限開發工具,納入軟體資產盤點、版本管理與端點隔離。

MCP 的 SEP-1024 已要求一鍵安裝本機伺服器時顯示完整命令並取得明確同意:https://modelcontextprotocol.io/seps/1024-mcp-client-security-requirements-for-local-server-。但 Serena 事件發生在工具已安裝、開始處理專案之後,證明「安裝時同意」不能取代每次跨越專案信任邊界時的檢查。

現在應做的事與後續指標

  • 立即盤點 Serena 實際執行版本,將 1.6.1(含)以前升級至 1.7.0 或更新版本;在完成升級前,不要以 Serena 啟用來源不明的儲存庫。
  • 檢查近期取得的專案是否包含 .serena/project.yml、可疑的 added_modes 路徑及陌生模式檔;這些是調查線索,不代表看到檔案就等同遭入侵。
  • 若曾用受影響版本開啟不可信專案,依主機暴露面檢視 Serena 及其子行程、異常外連、憑證存取與檔案變更;有具體異常時再撤銷相關 SSH、雲端或套件倉庫憑證。
  • 企業應限制開發工具可取得的長效憑證,並考慮在容器、虛擬機或權限較低的環境評估陌生專案。
  • 後續觀察官方公告是否補上 CVE、是否擴大受影響版本或提出更多修補,以及其他 MCP 工具是否存在同類的「專案設定進入模板、命令、外掛或動態載入」路徑。

這起漏洞的核心教訓是:AI 代理並沒有創造全新的模板注入原理,卻把老漏洞接上更寬廣的本機權限。未來真正有效的防線,不只是提醒開發者小心陌生程式碼,而是讓任何由儲存庫控制的內容,在進入模板、命令或載入器之前,都必須重新通過同一套信任判斷。

[Tempest AI News] 技術新聞精華 (2026-07-30)

本期焦點集中在 Model Context Protocol(MCP)架構更新、SDK 與代理工具鏈安全。新版協定朝無狀態化與可擴充架構發展,但 Ruflo、Ruby SDK 等安全事件也提醒開發團隊:代理系統連接外部工具後,身分驗證、工作階段管理、提示注入防護與機密資料控管都必須納入威脅模型。

協定與開發工具

MCP 大改版:核心架構轉向無狀態化

Model Context Protocol 推出自發布以來幅度最大的一次更新,重點包括無狀態核心、更強的安全機制,以及新的擴充框架。取消依賴握手與長期連線狀態,有助於代理服務進行水平擴充、故障復原與負載平衡;企業導入時仍需重新檢視驗證流程、狀態保存位置及既有用戶端的相容性。[https://ift.tt/xM3obQJ]

企業版 MCP 強化自動化導入基礎

Linux Foundation 旗下 Agentic AI Foundation 發布 MCP 更新,目標是降低企業採用 AI 自動化的門檻。MCP 提供代理程式連接工具、API 與資料來源的標準介面;此次更新反映協定正從早期整合規格,逐步走向更適合企業治理與正式環境部署的基礎設施。[https://ift.tt/6soN9YH]

Microsoft 發布 MCP C# SDK 2.0

Microsoft 推出官方 MCP C# SDK 2.0,對齊最新協定規格,加入無狀態架構與多輪請求處理,並包含不相容的 API 變更。.NET 團隊升級前應先盤點傳輸層、工作階段及請求處理程式的既有實作,避免直接更新套件後產生編譯或執行期問題。[https://ift.tt/cE2UkVA]

GitHub Copilot 程式碼審查正式支援 Agent Skills 與 MCP

GitHub Copilot code review 對 Agent Skills 與 MCP 伺服器的支援已全面上線,適用於 Copilot Pro、Pro+、Business 與 Enterprise。團隊可透過技能及 MCP 工具調整審查流程,使 Copilot 取得更貼近專案的規範與外部脈絡;導入時也應限制工具權限,並審核外部資料如何影響審查結果。[https://ift.tt/yMjGlPK]

代理系統安全

Ruflo MCP Bridge 漏洞可導致未驗證遠端程式碼執行

開源 AI 代理協調平台 Ruflo 被揭露重大安全漏洞 CVE-2026-59726,亦稱「RufRoot」。依報導描述,未經驗證的攻擊者可能僅透過單一 HTTP 請求取得遠端程式碼執行能力,進而接管代理平台。使用 Ruflo 的團隊應立即確認受影響版本、限制 MCP Bridge 的網路曝露範圍,並依上游修補資訊處理。[https://ift.tt/h6gTyUO]

Ruflo 風險延伸至代理記憶污染

另一份 Ruflo 漏洞分析指出,攻擊者除可能執行任意命令,也可能污染 AI 代理使用的記憶內容。這類攻擊的影響不只限於主機被入侵:若惡意內容持續留存在記憶層,後續工作流程與工具呼叫也可能受到干擾。因此,代理記憶應視為需要驗證、稽核及可撤銷的安全邊界。[https://ift.tt/ZIdv8S3]

MCP Ruby SDK 出現工作階段記憶體耗盡漏洞

CVE-2026-67430 影響 MCP Ruby SDK 0.23.0 以前版本。問題位於 StreamableHTTPTransport:工作階段不會到期,攻擊者可透過大量 initialize 請求持續占用記憶體。Ruby MCP 服務維運者應確認套件版本,同時為初始化端點配置驗證、速率限制與資源監控。[https://ift.tt/ADnSTHq]

MCP Ruby SDK 另有 SSE 工作階段污染風險

CVE-2026-67431 同樣影響 MCP Ruby SDK 0.23.0 以前版本。依漏洞說明,StreamableHTTPTransport 未將工作階段 ID 綁定至建立該工作階段的用戶端,形成 Ruby SSE session poisoning 風險。除升級套件外,服務端也應檢查工作階段與呼叫端身分、授權資訊及連線來源之間的綁定方式。[https://ift.tt/NDVbMeG]

開源掃描器整合靜態分析與提示注入測試

有開發者推出針對 MCP 伺服器的開源安全掃描器,結合原始碼靜態分析與實際提示注入測試。其關注的核心風險是:代理讀取遭污染的網頁、檔案或 API 回應後,可能把其中的惡意指令當成可執行要求。此類工具可補強上線前測試,但仍需搭配輸出清理、工具白名單與最小權限設計。[https://ift.tt/mMWbz7X]

研究以混合分析降低 MCP 工具使用風險

論文〈Hybrid Analysis for Secure MCP Tool Use in LLM Agents〉探討如何保護大型語言模型代理使用 MCP 工具的流程。研究背景指出,代理逐漸透過標準化工具介面處理真實世界任務,使工具呼叫的安全判斷成為關鍵議題;混合分析方向則反映單靠執行前規則或執行期觀察,可能不足以涵蓋所有風險。[https://ift.tt/TyW5cRe]

生態系與應用

研究比較 MCP 與 A2A 的代理協作模式

一項比較研究從實作角度分析 MCP 與 A2A 在大型語言模型多代理系統中的協調方式。MCP 主要處理代理與工具、資料來源之間的連接,而 A2A 聚焦代理彼此的互動;對架構團隊而言,兩者較適合依責任邊界搭配使用,而非視為功能完全相同的替代方案。[https://ift.tt/p4dGvOB]

RSS-to-MCP 服務將新聞來源轉為結構化事件

開發者打造 WireSaber,將 RSS Feed 轉換成 AI 代理可讀取的結構化新聞事件,試圖解決網頁爬取不穩定及新聞內容解析成本高的問題。這類 MCP 服務適合用於監測、摘要與研究工作流,但仍需保留來源網址、發布時間及去重資訊,避免代理把重複或缺乏來源脈絡的項目當成獨立事件。[https://ift.tt/h4Tcvo1]

Gemini Spark AI 代理開放香港市場

Google 在香港推出 Gemini Spark AI 代理,讓當地使用者可直接使用智慧助理處理較複雜的數位工作流程。此次開放延續 Google 降低區域限制的動作,也意味著更多企業能在當地測試代理式應用;實際部署仍須留意服務可用範圍、資料治理與組織帳號政策。[https://ift.tt/k3SpKba]

產業動態

AI 從業人員聯署呼籲建立技術發展「減速工具」

來自 OpenAI、Anthropic、Google、Meta、Microsoft、Mistral 與 Thinking Machines 等公司的逾 1,100 名從業人員,簽署「Pacing the Frontier」公開信,呼籲美國政府支持國際合作,建立可調節自動化 AI 發展速度的技術與治理工具。Meta 執行長 Mark Zuckerberg 則提出不同觀點,警告 AI 安全權力若集中於少數機構,也可能形成風險。[https://ift.tt/nLU9hAJ]

[Tempest AI News] 技術新聞精華 (2026-03-15)

🤖 今日 AI 技術新聞精選

以下為今日精選的 AI/技術領域重要新聞,涵蓋 AI 代理、开源工具、开發框架等熱門議題。


1. MCP is Dead; Long Live MCP

來源:[https://itnext.io/mcp-is-dead-long-live-mcp-a67bd7…]

MCP(Model Context Protocol)的熱潮似乎已經消退,但這是否真的是從「 vibe coding 」過渡到「 agentic engineering 」的關鍵?本文探討 MCP 的現狀與未來發展方向,分析其在企業級 AI 應用中的實際價值與局限性。

2. Building Enterprise Multi-Agent Systems with MCP and Copilot Studio

來源:[https://itnext.io/building-enterprise-multi-agent-…]

學習如何使用 MCP(Model Context Protocol)和 Copilot Studio 構建企業級多代理系統。內容涵蓋架構設計、通訊協定與實際部署策略,為企業導入 AI 代理提供完整的技術指南。

3. OpenAI Brings Alpaca’s Market Data Directly into ChatGPT for Financial Services

來源:[https://ift.tt/wxzg584…]

OpenAI 將 Alpaca Markets 的數據能力整合進 ChatGPT,讓用戶能夠獲取即時和歷史市場資訊。此整合旨在重塑金融專業人士與市場資訊的互動方式,為金融服務業帶來嶄新的 AI 應用場景。

4. GitHub Sparks Student Backlash by Cutting Premium Copilot Models

來源:[https://ift.tt/KRk0ven…]

GitHub 宣布從免費的 Copilot Student 方案中移除高階 AI 模型,引發全球學生的不滿。此變更促使學生轉向其他替代方案,引發關於 AI 輔助編碼工具教育用途的討論。

5. New Study Raises Concerns About AI Chatbots Fueling Delusional Thinking

來源:[https://ift.tt/s3NgRAm…]

首個關於「 AI 精神病 」的重要研究顯示,聊天機器人可能會鼓勵弱勢群體的妄想性思維。這項科學綜述對 AI 聊天機器人在心理健康方面的潛在風險提出警告。

6. SaaStr AI App of the Week: v0 by Vercel

來源:[https://ift.tt/LmWsAo8…]

v0 是 Vercel 推出的 AI 驅動開發工具,讓從工程師到行銷人員的任何人都能用自然語言描述需求,在幾分鐘內獲得可直接上線的網站。自 2023 年底推出至今,已被超過 400 萬人使用。

7. Using KIRO and AMDF MCP to Build Reusable Kubernetes KRO Packages

來源:[https://ift.tt/LW5fPlg…]

探索如何使用 KIRO 和 AMDF MCP 工具加速從 CRD 建立可重複使用的 Kubernetes 套件。Kiro 搭配 AMDF 將傳統上需要漫長對話分鐘數的程序,轉化為開發者只需簡單描述的流程。

8. [D] SuperML: A Plugin That Gives Coding Agents Expert-Level ML Knowledge

來源:[https://ift.tt/yKatjZ0…]

SuperML 是一個開源插件專為處理機器學習工程工作流程而設計,賦予編碼代理專家級的 ML 知識與代理記憶功能。根據 benchmark 測試,在 Claude Code 上有 60% 的效能提升。

9. MCP Server for Querying Logs Across GCP, AWS, Azure, Loki, and Elasticsearch

來源:[https://ift.tt/PLiaN4f…]

mcp-server-logs-sieve 是一個連接 Claude 到現有日誌基礎設施(GCP、AWS CloudWatch、Azure、Loki 和 Elasticsearch)的 MCP 伺服器。用戶可以用自然語言描述想要搜尋的內容,無需撰寫過濾表達式。

10. I Cut Claude Code Costs by Up to 80% (45% Avg) with Better Response Quality

來源:[https://ift.tt/h7a9vTq…]

作者開發了一個名為 GrapeRoot 的免費工具(雙圖形上下文系統),透過優化Claude Code 使用方式,平均降低 45% 的 AI 支出,最高可達 80%,同時反而提升了回應品質。在 10 個實際工程任務上進行了基準測試。


※ 來自 Feedly 歸檔的 AI News 資料夾,每日自動彙整。