我们如何对不同产品中的Claude进行隔离控制

Anthropic:Engineering(事故复盘 + 工程实践 · 网页)·2026-05-27 02:11·90天前
AI 导读

Anthropic通过三重机制控制Claude智能体的部署风险,包括用户误用、模型异常行为和外部攻击。其防护策略聚焦于三个层面:通过沙箱、虚拟机和网络出口控制限制智能体运行环境;利用系统提示词和模型训练引导其行为;以及对MCP服务器、第三方插件等外部内容实施细粒度权限管理。文章以Claude Code、claude.ai和Claude Cowork为例,阐述了不同产品如何设计对应的隔离架构。

Anthropic:Engineering(事故复盘 + 工程实践 · 网页)
精选
70AI 编辑部评分,满分 100

我们如何对不同产品中的Claude进行隔离控制

2026-05-27 02:11· 90天前
AI 导读

Anthropic通过三重机制控制Claude智能体的部署风险,包括用户误用、模型异常行为和外部攻击。其防护策略聚焦于三个层面:通过沙箱、虚拟机和网络出口控制限制智能体运行环境;利用系统提示词和模型训练引导其行为;以及对MCP服务器、第三方插件等外部内容实施细粒度权限管理。文章以Claude Code、claude.ai和Claude Cowork为例,阐述了不同产品如何设计对应的隔离架构。

推荐理由

Anthropic 这次没画饼,实打实把 Claude 三款产品两年来的安全坑和架构演变全摊开讲了,从沙箱逃逸到钓鱼攻击,做 agent 的人读一遍能少踩很多坑。

正文 · AI 翻译

随着智能体能力不断增强,其潜在的破坏范围也在扩大。工程上的问题在于如何限制这一范围。以下是我们为 claude.ai、Claude Code 和 Cowork 构建防护机制所积累的经验。

十二个月前,我们绝不会考虑授予 Claude 足以摧毁 Anthropic 内部服务的访问权限。如今,这种级别的访问权限已是常态,Anthropic 的开发者也因此效率更高。这些部署的风险包含两个部分:故障发生的可能性,以及故障可能造成的损害程度。安全防护措施和模型训练的进步已稳步降低了前者;而后者——理论上的破坏范围——则随着能力和访问权限的扩展而不断增大。然而,当智能体能够完成曾经需要一个人甚至一个团队才能完成的工作时,不部署的成本就会变得足够高,以至于只要产品能够确保安全,风险收益的计算就会强烈倾向于部署。工程问题就变成了如何限制破坏范围。

当自主智能体的相对损害可以被限定范围时——例如通过控制其运行环境——高实用性的能力就能推动部署。Claude Mythos Preview 就是一个例子,该模型在 2026 年 4 月因其破坏范围被认为过高而未能发布。然而,我们预计,随着防御方加固关键系统且安全防护措施日趋成熟,具有类似能力水平的模型将适合更广泛的发布——尽管某些风险将始终存在。模型能力是智能体部署总风险中的一个重要因素。

实现这一目标大致有两种方法。

第一种方法是通过人工介入来监督智能体的行为。Claude Code 此前通过在每个操作环节请求用户许可,来防止智能体执行非预期操作。理论上这行得通,但我们发现这种方法存在缺陷。我们的遥测数据显示,用户批准了约 93% 的许可提示。用户看到的批准请求越多,对每个请求的关注就越少,久而久之,他们在监督上的认真程度就会大大降低。我们最近构建了 Claude Code 自动模式,该模式能自动处理更安全的批准,以减轻这种批准疲劳。不过,漏洞依然存在——任何概率性防御都存在非零的漏报率。

限制影响范围的第二种方法——也是本文重点讨论的内容——是隔离。我们不监督智能体做什么,而是通过实施访问边界来监督它能做什么,例如通过沙箱、虚拟机和出口控制。这是 Anthropic 工程团队投入精力最多的地方,也是许多最令人意外的安全故障发生之处。

在过去两年里,我们发布了三款主要的智能体产品:claude.ai、Claude Code 和 Claude Cowork。每款产品面向不同的用户群体,需要不同的隔离架构。本文分享了哪些方案行之有效、哪些方案出了问题,以及我们在此过程中学到的关于智能体安全的知识。

三类风险,三种防御组件

智能体面临的安全风险可分为以下三类:

用户滥用:用户——无论是出于恶意还是疏忽——指示智能体执行有害操作。这包括从要求智能体绕过他们认为烦人的检查,到运行他们自己都不理解的破坏性命令,再到蓄意造成伤害等种种情况。

模型行为异常:智能体在无人要求的情况下采取了有害行动。随着模型能力的提升,它们在大多数行为评估中变得更加对齐,但这并不意味着风险必然降低。能力较弱的模型更容易误判情境并犯下明显错误。能力更强的模型犯错更少,但它们也更善于找到通往目标的意外路径,通常是通过绕过那些没人想到要写下来的限制条件。

在 Anthropic,我们曾看到 Claude 模型“好心”地逃出沙箱以完成任务,检查 git 历史记录以寻找编程测试的答案,以及自发识别出它正在运行的基准测试,以便解密其答案密钥。每个模型都带来了一套新的能力,而这些能力有时会以意想不到的方式被运用。

外部攻击者:智能体通过外部向量受到攻击,例如工具、文件或网络访问。此类别既包括提示词注入,也包括针对智能体运行时、编排层或代理的传统攻击。

在构建隔离与防御系统时,我们对三个主要组件应用防御措施:

智能体运行的环境。我们通过进程沙箱、虚拟机、文件系统边界和出口控制来约束智能体行动的地点和方式。目标是设定一个智能体能够触及的硬边界。例如,如果凭证从未进入沙箱,那么无论原因是用户、模型找到了“创造性”路径,还是攻击者,它们都无法被窃取。

紧密的边界也意味着你可以放宽监督。Claude Code 的参考开发容器正是为了让智能体能够在无人值守、无需逐操作审批的情况下运行。

智能体所咨询的模型。这里的机制包括系统提示词、分类器、探针和训练修改。由于模型是概率性的,这些机制只能塑造智能体倾向于做什么,而不能决定它在理论上能够做什么。

这些防御措施非常强大。在 Gray Swan 的 Agent 红队测试基准(该基准用于测试对提示词注入的敏感性)上,Claude Opus 4.7 将单次攻击的成功率控制在约 0.1%,在 100 次自适应攻击后也仅约 5–6%。Claude Code 自动模式能在约 83% 的过度激进行为执行之前将其捕获。然而,即使拥有业界领先的防御措施,模型层的保护也永远无法达到 100% 有效,这就是它不能单独发挥作用的原因。

智能体能够触及的外部内容。MCP 服务器、第三方插件和网络搜索工具都会将来自你无法控制的来源的内容输入到智能体的上下文中。经过审计的连接器并不等同于经过审计的数据——例如,一个 GitHub 连接器,尽管通过了恶意软件检查,却可能将一个被投毒的 README 直接加载到模型的上下文中。细粒度地限制工具权限有助于限制爆炸半径。例如,一个拥有数据库只读权限的智能体,其部署范围可以比一个拥有生产环境写入权限的智能体广泛得多。

防御措施应该相互重叠并互为补充。当环境层防御不可用时,模型层必须填补空缺(这正是 Claude Code 自动模式的设计目的)。在本地,环境层和模型层的防御可以防范恶意工具输出,但通过在更高层级限制工具的能力和访问权限,可以增加额外的防御。

需要防御的三个组成部分:模型、模型运行的环境,以及智能体能够触及的外部内容。

约束智能体的模式

聚焦于环境层,我们描述了三种隔离模式,以及它们如何针对每个 Claude 平台——claude.ai、Claude Code 和 Cowork——进行定制。我们是在逐步探索中,在智能体所需能力与用户所需干预程度之间找到平衡后,才最终确定每种设计的。

模式 1:临时容器(claude.ai 代码执行)

尽管claude.ai最广为人知的是其聊天界面,但它也能编写并运行代码、生成文件以及调用连接器。当Claude在claude.ai内部运行代码时,它是在隔离基础设施上的gVisor容器中进行的。该智能体完全在服务端运行;没有任何代码在本地机器上执行,文件系统是临时的(按会话管理)。爆炸半径极小,但Claude能做的事情上限也很低——没有持久化工作空间,也无法访问用户的文件系统。

这也使得claude.ai面临更传统的威胁模型。我们不是在保护用户机器免受智能体侵害;而是在保护我们自己的基础设施以及各个租户之间相互隔离。我们在claude.ai上线前的主要工作集中在传统安全领域,如网络配置、内部服务认证和编排调度。

这项工作再次印证了安全领域最古老的教训:最薄弱的环节往往是你自己构建的那一层。gVisor和seccomp在智能体AI出现之前就已经针对资源充足的攻击者进行了长期加固,因此审查工作主要集中在我们围绕它们构建的新组件上。我们稍后会再回到这一点,因为在后果最严重的事故中,正是我们自定义的代理组件出了问题。

模式二:人在回路中的沙箱(Claude Code)

Claude Code运行在用户机器上,可以访问用户的文件系统、Shell和网络。没有这些权限,编码智能体的实用性将非常有限,因此必须找到一种安全授予这些访问权限的方法。

一种方法是依赖人在回路中。这对Claude Code来说是一个可行的解决方案,因为其典型用户是熟悉编码环境的开发者:他们能读懂bash命令,理解`rm -rf`的作用,并且每周都会从不可信来源运行`npm install`。这意味着,当弹出“允许此操作”的对话框时,他们极有可能具备准确评估智能体试图执行的操作及其风险的专业知识。基于此,Claude Code上线时采用了最简单的防御措施:允许读取,但写入、bash命令和网络访问需要用户批准。

然而,如前所述,批准疲劳在几周内就显现了。讽刺的是,这意味着原本旨在提供监督的功能,反而可能产生相反的效果——一些用户可能干脆不再关注。作为减少草率批准的第一步,我们部署了一个操作系统级别的沙箱(macOS 上使用 Seatbelt,Linux 上使用 bubblewrap)来强化边界:允许读取,允许在工作区内写入,但默认禁止网络连接。在沙箱内,智能体基本可以无中断地运行。结果,权限提示减少了 84%,并且我们将运行时开源,因此边界是可审计的。

我们的匿名使用数据还显示,经验丰富的用户自动批准的频率大约是新手用户的两倍,但他们也更频繁地在智能体执行过程中打断它。经验丰富的用户更倾向于只在智能体偏离轨道时才进行监督,而不是对每个步骤都加以限制。虽然这可能是人们与智能体协作方式的自然演变,但这种方式同样容易出错,它要求用户具备足够的技术能力和注意力,以便首先察觉到偏差。随着模型能力的提升,智能体开始编写越来越复杂的 bash 命令,察觉此类偏差也变得更加困难。而且,当用户转向多智能体系统时,这种方法作为有效的监督策略的可能性也大大降低。

我们遗漏的风险:信任对话框之前的一切

2025 年中至 2026 年 1 月期间,我们通过负责任披露计划收到了关于 Claude Code 的漏洞报告。其中三个漏洞针对的是在用户尚未同意任何操作之前就已执行的代码。要理解这是如何发生的,请考虑最直接的情况:开发者克隆一个仓库以审查拉取请求,而该仓库包含一个定义了钩子(hook)的 `.claude/settings.json` 文件。由于 Claude Code 在启动时会读取项目设置——在显示标准的“您是否信任此文件夹?”提示之前——攻击者编写并提交的钩子会自动执行。其余案例在结构上类似,即来自尚未受信任目录的输入在信任边界建立之前就被解析了。

每个案例的修复方案形式相同:将项目本地配置的解析和执行推迟到用户接受信任提示之后。如果你在构建类似的东西,请将项目打开、配置加载和 localhost 监听器视为来自互联网的入站请求。它们不应仅仅因为感觉像是本地操作且在用户同意之前到达就受到隐式信任。

我们遗漏的风险:用户作为注入向量

2026 年 2 月,在一次受控的内部红队演练中,一名研究人员成功通过钓鱼攻击诱使一名员工使用恶意提示词启动了 Claude Code。该钓鱼攻击看起来像普通的协作——一封“你能帮我运行一下这个吗?”的邮件附带了一个可直接粘贴的提示词——而该提示词本身读起来像是常规的任务指令。但在某些设置步骤中,它温和地要求 Claude 读取 `~/.aws/credentials`,对内容进行编码,并通过 POST 请求发送到一个外部端点。在对该提示词进行的 25 次重试中,Claude 完成了 24 次数据外泄。

这是一个直接的提示词注入——攻击者的指令是通过用户传入的,而非通过工具输出或获取的内容。我们的模型层防御机制以用户意图为锚点——当用户本人正在输入指令时,分类器没有任何异常可捕捉。一名人类合同工如果收到同样的脚本,也会做出同样的事情。

在这种情况下,唯一有效的防御手段是环境本身,具体而言就是出口控制(无论意图如何,都能阻止 POST 请求)和文件系统边界(从一开始就让 `~/.aws` 目录无法触及)。

(当我们在内部 Slack 上分享这个可运行的提示词进行讨论时,有人指出一些内部智能体会读取 Slack。此时载荷已经存在于环境中了。我们在讨论串中添加了一个金丝雀字符串,这样如果有人拾取它,我们就能察觉。在一个智能体读取一切的世界里,调查工具本身也是一个攻击面。)

模式 3:本地虚拟机(Claude Cowork)

Claude Cowork 运行在用户的桌面上,可以访问用户选定的工作区文件夹。由于该平台是为通用知识工作而非软件工程构建的,普通用户精通 bash 的可能性要低得多。

因此,人在回路中的沙盒策略可能无法沿用;不能指望非技术背景的知识工作者去判断诸如 `find . -name "*.tmp" -exec rm {} \;` 这样的 bash 命令。当批准例外情况需要普通用户不具备的专业知识时,管理员应该设定一个绝对且始终生效的边界。

为了实现这一点,我们的第一个 Claude Cowork 版本运行在一个完整的虚拟机内,使用的是平台供应商提供的虚拟机管理程序(macOS 上使用 Apple 的 Virtualization 框架,Windows 上使用 HCS)。该虚拟机拥有自己的 Linux 内核、自己的文件系统和自己的进程表。用户选定的工作区和 `.claude` 文件夹会被挂载;主机上的其他任何内容都不可见。凭据保留在主机钥匙串中,永远不会进入客户机。这种设计可以防范 Claude 在某个时刻出现行为失调的可能性。被攻破的 Claude 仍然可能损坏工作区文件夹内的内容,因此架构设计确保这是它唯一能够触及的范围(直到用户添加连接器),并且用户控制着挂载到那里的内容。

在最初的架构中——我们称之为全虚拟机模式——智能体循环本身运行在客户机内部,因此 Claude 以普通 Linux 用户的身份执行,完全不知道自身处于沙箱之中。相比之下,Claude Code 的做法是:一个特权进程位于沙箱外部,逐条指令决定是否强制执行;一条精心构造的注入提示词或一次疲劳状态下的批准点击,就可能让该进程运行未沙箱化的内容。而在这里,不存在持有逃生舱密钥的外部进程,因此没有任何组件有权授予例外。

Claude Cowork 虚拟机的六大隔离机制。其中两个在客户机内核外部强制执行,因此即使智能体在虚拟机内获得 root 级访问权限,它们依然有效。另外四个由客户机内部强制执行,并刻意保持最小化,因为外层机制已承担其余隔离职责。

然而,我们很快意识到,在全虚拟机模式下运行整个智能体会带来实际问题:虚拟机启动过程中的任何故障都会导致 Cowork 无法使用。将智能体循环移至虚拟机外部,同时将代码执行保留在虚拟机内部,使得 Claude 仍能响应用户并协助排查问题,而不是卡在错误上。这一变更对安全性的影响极小,因为虚拟机仍对智能体执行的代码实施文件系统和网络控制。

另外,我们还将本地 MCP 服务器移到了虚拟机外部。在虚拟机内部运行它们会导致审计困难、虚拟机更新时产生脆弱的依赖问题,并且无法支持需要与本地进程(如数据库)交互的 MCP——这类服务器无论如何都必须运行在宿主机上。这一变更使 Claude Cowork 与本地 MCP 服务器在 Claude Desktop 中的工作方式保持一致:将其视为用户可能选择安装的任何软件,并由管理员决定启用哪些本地 MCP(如果有的话)。远程 MCP 服务器不受影响,因为它们不在用户机器上运行。

将智能体循环放在虚拟机内部意味着,虚拟机中的任何故障都会导致 Cowork 无法使用。宿主机模式更可靠,因为即使虚拟机崩溃,智能体仍能响应,并且它通过隔离代码执行提供了重要的安全保障。

文件系统控制是另一项重要的架构选择。Claude 需要能够访问主机上的某些文件才能发挥作用,但我们希望将影响范围降至最低,并向用户提供本地文件访问的透明度。我们发现,提供不同的文件挂载模式有助于精细控制风险;Claude Cowork 提供了只读、读写和读写-禁止删除三种模式。这里一个潜在的陷阱是,符号链接解析必须在路径验证之前进行,而不是之后,否则授权文件夹内的符号链接可能指向外部并造成逃逸。对于企业客户,我们允许管理员通过 MDM 设置中的挂载路径白名单来控制这一点。

我们遗漏的风险:通过已批准域名的数据外泄

一个通过已批准域名进行数据外泄的典型案例来自第三方披露。Claude Cowork 的出站白名单正确地将流量放行至 api.anthropic.com——产品离不开调用我们自己的 API。在这个案例中,一个放置在用户已挂载工作区中的恶意文件,携带了隐藏指令以及攻击者控制的 API 密钥。Claude 按照指令读取了工作区中的其他文件,并使用攻击者的密钥调用了 Anthropic 的 Files API。出站代理检查了目标地址,看到是 api.anthropic.com,便予以放行。文件被上传到了攻击者的 Anthropic 账户。沙箱运行完美,但数据仍然被外泄了。

此前,我们将白名单概念化为一个目标过滤器,它告诉 Claude 这些域名是可以通信的。但或许将其概念化为一种能力授权更为恰当。白名单上任何域名所能触及的每一个功能,现在都成为了攻击面。允许 api.anthropic.com 就意味着允许向任意 Anthropic 账户上传文件。

我们通过在虚拟机内部部署一个防御性中间人代理来修复此问题,该代理会拦截发往我们 API 的流量。它只允许携带虚拟机自身配置的会话令牌的请求通过;攻击者嵌入的密钥会被代理拒绝。同时,该代理还会阻止那些可能启用服务端 fetch 的请求头。这个代理位于虚拟机内部而非我们的服务器上,因为只有虚拟机才知道请求的来源——从服务器的角度来看,一个 Cowork 请求与任何其他 API 客户端是无法区分的。

上方:发往 api.anthropic.com 的流量被放行,导致出站流量。下方:修复方案,通过一个中间人代理拦截发往我们 API 的流量。

这也再次印证了一个原则:你自己构建的软件往往是最薄弱的环节。我们各产品中的虚拟机监控器、seccomp 和 gVisor 一直都很可靠。而失败的是我们自定义的允许列表代理。

我们忽略的风险:虚拟机隔离同样将端点检测软件拒之门外

在评估 Claude Cowork 时,企业安全团队问道:“为什么我们的 EDR 无法看到内部?”答案是,用于隔离 Claude 的同一套机制,也阻止了基于主机的端点检测与响应。从 EDR 的视角来看,Claude Cowork 是一个不透明的虚拟机监控器进程,它无法检查客户机内部。

隔离降低了可见性,而对于那些合规性依赖于端点可见性的团队来说,不透明性是个问题。我们目前的缓解措施是使用基于拉取的 OTLP 导出,让管理员可以在事后检索事件日志,但这与实时监控不同。如果你在构建类似的东西,请尽早为这类讨论做好准备。

环境临时容器 (claude.ai)人工介入沙箱 (Claude Code)密封虚拟机 (Claude Cowork)
成本:隔离开销容器启动低延迟原生沙箱完整虚拟机启动
成本:用户依赖不适用必须解释 bash不适用
风险:爆炸半径服务端容器(由 gVisor + 主机基础设施边界防护)本地工作区挂载的工作区(由 vsock + 虚拟机监控器边界防护)

信任智能体所读取的内容

企业经常问我们如何保护 MCP 连接的安全。这是个好问题,但更准确的问题其实比 MCP 本身更广泛。提供给智能体的任何外部资源都同时带来两种风险:传统供应链意义上的代码执行风险,以及提示词注入攻击向量。传统的依赖审计(锁定版本、验证签名、审查源代码)解决了第一种风险,但忽略了第二种。

远程与本地之间的区别比表面看起来更重要。本地安装的工具是可审计的。你可以阅读代码、锁定版本,并且知道它不会在你不知情的情况下发生变化。而远程工具——托管的 MCP 服务器、云连接器——在你批准之后,随时可能改变行为;你安装时的信任决策可能不再适用。我们的连接器目录通过持续审查来解决这个问题,但目录之外的任何内容都应被视为不可信。应首先在恶意工具破坏范围可控的环境中,用假数据对其进行测试。

即使工具本身是可信的,工具输出也是一个攻击面。前面提到的 GitHub README 示例正是这种情况;应用于网页的任何输入扫描,都需要以同样严格的标准应用于支持网络的工具结果。尽管这会增加延迟并且不是完美的防御手段,但我们倾向于进行实时检查:一旦被投毒的工具返回结果引导智能体窃取数据,日志中只会显示一次成功且经过授权的 API 调用。事后没有任何信号可供追查。

在 Claude Code 和 Claude Cowork 中,工具调用会通过代理进行路由,这些代理强制执行网络和文件策略,并且可以在返回值进入模型上下文之前对其进行检查。执行检查的分类器可以是一个小型、快速的模型;它不需要是执行推理的那个模型。

展望未来

模型和产品正在快速发展。随着这种发展,风险也在不断演变和变化,我们的缓解措施必须跟上步伐才能应对这些风险。

持久性记忆投毒。跨会话持续存在的智能体上下文占比不断增长——这包括产品记忆、CLAUDE.md 文件、挂载的工作区,以及定时运行和长期运行的智能体的状态目录。任何注入到这些位置的恶意内容,都会在智能体每次启动时被重新加载。随着越来越多的智能体状态在会话结束后得以保留,我们正面临经典后利用意义上的新型持久化机制威胁。会话启动时的良好分类器将需要变得更加普及。

多智能体信任升级。一方面,子智能体可以隔离不受信任的内容,向主智能体返回结构化事实而非原始文本。另一方面,这也可能被滥用:如果子智能体的输出因其来自“我们”而被视为比原始工具结果具有更高信任度,就会引入一种新的提示词注入向量。在多智能体系统中,分配不同信任级别与容易遭受信任升级之间存在权衡。

智能体身份。Claude Cowork 对智能体身份的解决方案是具体的:凭据保留在主机钥匙串中,虚拟机获得一个按会话限定的令牌,并且该令牌可以独立于用户的令牌被撤销。然而,我们开始着手应对跨平台智能体身份这一更广泛的问题。智能体应该拥有自己的主体身份,还是应该作为用户的扩展并继承用户的权限?最终,答案可能是两者的结合。

随着智能体能力不断增强,攻击面也在持续变化。我们所见过的各类故障类型,很可能在整个行业和实验室中重复出现。我们需要在智能体专属安全态势方面进行集体投入,从共享基准和披露规范,到通用身份标准和跨厂商红队演练。本文重点讨论的是隔离管控,但这只是智能体安全图景的一部分。关于治理、可观测性及其他技术栈内容,请参阅 NIST 的 AI 智能体身份与授权项目、由澳大利亚 ACSC 牵头、CISA 和英国 NCSC 参与的六机构智能体 AI 采用指南,以及 AI 管理标准 ISO/IEC 42001。我们的 Glasswing 计划只是其中一项贡献,但我们期待与合作伙伴和竞争对手共同应对这一关键问题。

总结

简而言之,我们反复遵循以下几个原则:

首先在环境层设计隔离管控,然后在模型层引导行为。让我们学到最多的两起事件——员工钓鱼事件和第三方白名单泄露事件——都属于数据外泄,即数据通过允许的路径流出。在这两起事件中,模型层无能为力,没有任何异常可供其捕捉。当所有概率性手段都失效时,最终起作用的正是确定性边界。

将隔离强度与用户的监督能力相匹配。能读懂 bash 的开发者与读不懂的知识工作者,所面对的威胁模型完全不同。用户能否评估智能体即将执行的操作,这个问题应有助于确定隔离策略;而无论哪个方向判断错误——对专家设置过多障碍,或对非专家给予过多信任——本身就是一种失败。

警惕自定义组件。经过实战考验的虚拟机监控器、系统调用过滤器和容器运行时,所承受的对抗性关注远超你自己构建的任何东西。在本文描述的每一个部署场景中,标准原语都保持了稳定,而我们围绕它们自行构建的工作反而暴露了缺陷。

归根结底,尽管智能体可能是一种新型软件,但其系统层面的交互方式并非全新。它们仍然会读取文件、打开网络套接字和创建进程;这使得利用成熟的工具进行隔离成为一项至关重要的可行防御措施。随着人工智能的发展,部署的风险收益平衡会不断变化,但对爆炸半径设置硬性限制,往往能迫使这种平衡朝着正确的方向发展。

致谢

本文由 Max McGuinness、Mikaela Grace、Jiri De Jonghe、Jake Eaton 和 Abel Ribbink 撰写。

我们还要感谢 Hanah Ho、Hasnain Lakhani、Pedram Navid、Molly Villagra、Maya Nielan、Akila Srinivasan、Travis Szucs、Sam Attard、Alfred Xing、Mohamad El Hajj、Gabby Curtis、David Dworken、Adam Jones、Amie Rotherham、Christian Ryan、Lucas Smedley、Brett Andrews 以及其他人的贡献。

特别感谢我们的安全和产品工程团队,以及那些向 Claude 产品报告漏洞的个人和组织。

脚注

  1. Claude Code 的自动模式将命令审批委托给基于模型的分类器;它最大限度地减少了操作摩擦(大约阻止了 0.4% 的良性命令),但代价是会遗漏一小部分有风险的操作(大约 17% 的过度操作会通过),因此它只是沙箱内纵深防御体系中的一层,而非其替代品。

来源:Anthropic:Engineering(事故复盘 + 工程实践 · 网页)· anthropic.com