KeyFrame內部研究專用

Full Workshop: Better Auth — Paola Estefania, Better Auth

AI Engineer·7月21日週二·40 min英文

三句話摘要

AI 代理安全框架:通過身分識別和功能授權實現細粒度訪問控制 停止讓 AI 代理假扮用戶身分,改為給代理分配自己的身分識別、精確定義的功能權限,通過完整的操作日誌實現全生命週期的可追溯性和隨時撤銷能力。 代理身分識別是根本:每個代理都應擁有唯一的身分識別和私鑰,類似員工身分證,不應假扮用戶。這樣才能在日誌中明確區分「哪個代理代表哪個用戶執行了什麼操作」,而非籠統地「用戶進行了操作」。

重點整理

重點
  • 1

    代理身分識別是根本:每個代理都應擁有唯一的身分識別和私鑰,類似員工身分證,不應假扮用戶。這樣才能在日誌中明確區分「哪個代理代表哪個用戶執行了什麼操作」,而非籠統地「用戶進行了操作」。

  • 2

    功能優於範圍的授權模型:摒棄「讀取」範圍這類模糊概念,改用精確的功能定義(如「讀取最後一封郵件」、「發送郵件」),用戶能明確掌控代理能做什麼,降低誤操作風險。

  • 3

    自動發現機制解決配置問題:利用開放 API 規格建立服務目錄(如電話簿),代理連接時自動發現可用服務和功能,無需手動逐一配置,提升易用性。

  • 4

    完整的可追溯性支持即時撤銷:每個操作都被記錄,用戶可查看日誌、隨時撤銷特定代理或整個主機的訪問,確保問題發生時有明確的責任鏈和補救手段。

實用技巧與重點

乾貨
  • 三層架構方案
  • 代理層:SDK 和 MCP 建立身分、簽署令牌、連接服務
  • 伺服器層:驗證代理、頒發授權、強制執行策略、記錄日誌
  • 目錄層:列出服務清單、發布功能定義、實現意圖與能力的匹配
  • 核心問題與解決方案
  • 問題:發現(Discovery)、授權(Authorization)、身分(Identity)
  • 解決:目錄 + 功能 + 私鑰簽署
  • 技術實現
  • OpenAPI 規格轉換為標準功能定義
  • OIDC 和已知端點提供標準配置
  • 設備流(Device Flow)進行用戶授權
  • MCP(Model Context Protocol)SDK 集成
  • 授權策略
  • 主機策略:針對不同主機設定不同訪問等級
  • 用戶策略:針對不同用戶設定不同訪問等級
  • 預設讀取權限:默認僅授予讀取,增強安全性
  • 伺服器端驗證:確保代理和用戶都有必要權限
  • 演示工具與操作
  • 目錄頁面:查看可用服務、連接 MCP、管理授權
  • 代理日誌:記錄代理 ID、用戶 ID、操作時間、具體行為
  • 撤銷機制:即時撤銷代理訪問、清除授權令牌
  • 擴展視圖:觀察代理具體執行的操作細節

結論

結論

停止讓 AI 代理假扮用戶身分,改為給代理分配自己的身分識別、精確定義的功能權限,通過完整的操作日誌實現全生命週期的可追溯性和隨時撤銷能力。

完整解析

詳細

演講從一個扎根現實的問題開啟:當用戶允許 AI 代理訪問 Gmail、日曆等個人帳戶時,實際上發生了什麼?代理獲得了用戶的完整身分和所有權限,就像企業中給新員工配備了 CEO 的證件卡。這帶來兩個致命問題:首先,無法追蹤代理具體做了什麼;其次,一旦出問題也無法精確撤銷。演講者用真實的僱傭類比說明——沒有人會給剛僱傭的員工 CEO 級別的訪問權限。

基於這個認識,演講者提出了三個核心技術挑戰。發現問題在於代理如何知道自己能做什麼。傳統方法是手動配置,但這無法規模化。解決方案是建立一個服務目錄,像電話簿一樣列出所有可用服務和功能。由於目前服務生態尚未完全標準化,演講者創新地利用現有的開放 API(OpenAPI)規格,通過中間件轉換將其映射為統一的功能定義。代理首次連接時,可以自動發現全部功能清單。

授權問題的核心是當前模式過於寬泛。傳統的「讀取」、「寫入」範圍無法表達精確的權限意圖。演講提出用「功能」替代「範圍」——不是籠統授予「讀取郵件」,而是精確到「讀取最後一封郵件」、「發送郵件」等。這讓用戶能逐功能控制代理行為。演講者建議的最佳實踐是預設僅授予讀取功能,確保代理無法在未經授權的情況下修改或刪除數據。當代理嘗試執行超出權限的操作時,系統會請求用戶批准。

身分問題的突破在於給每個代理分配私鑰和唯一身分。代理使用私鑰簽署令牌而非使用用戶憑證。這個改變帶來革命性的效果:所有操作都可以被準確記錄,日誌明確顯示「代理 X 代表用戶 Y 在 Z 時間執行了操作 A」。這樣用戶不僅能查看完整的審計日誌,還能隨時撤銷特定代理的訪問、撤銷整個主機(Host)的授權,甚至追溯問題源頭。

實現架構分為三層。代理層負責建立身分和簽署令牌,通過 SDK 和 MCP 集成;伺服器層驗證每個請求、強制執行策略、維護審計日誌;目錄層提供服務和功能清單,實現意圖與能力的自動匹配。演講還包含完整的現場演示:連接 Gmail 服務、查看可用功能、通過設備流請求用戶授權、執行讀取操作、查看完整日誌、撤銷訪問權限。演示清晰展示了工作流的每個環節如何實現安全控制。

在權限管理的實際運用中,需要在安全性和用戶體驗間找到平衡。不能每次操作都要求批准,但也要防止代理越權。解決方案包括主機策略和用戶策略,允許管理員為不同類型的主機或用戶設置不同的默認權限等級。無論如何,伺服器端始終驗證每個請求,確保代理和用戶都擁有相應的訪問權限。

最後,演講者強調該協議的開源性質和即將發布的 V2 版本。核心願景是讓所有使用 AI 代理的人——無論個人使用者還是企業——都能在安全的框架下受益,邀請社區參與改進和貢獻想法。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。