KeyFrame內部研究專用

🚀Claude Code有后门?立即锁进Docker Sandboxes里!sbx完整实测:Claude Code、Codex、OpenCode如何安全隔离运行!防隐私泄露、防恶意Skill和MCP

AI超元域·7月4日週六·11 min中文

三句話摘要

用 Docker Sandbox 隔離 AI 編程工具,防止 Claude Code 等工具竊取用戶隱私 在 Docker Sandbox 中隔離運行 AI 編程工具是防止隱私竊取與被官方封號最有效的解決方案。 危害背景:Claude Code 被發現內置檢測中國用戶的代碼,一旦檢測到中轉 API 使用者就會進行標記並批量封號,官方移除檢測代碼後仍無法排除二進制文件中隱藏的其他惡意代碼。

重點整理

重點
  • 1

    危害背景:Claude Code 被發現內置檢測中國用戶的代碼,一旦檢測到中轉 API 使用者就會進行標記並批量封號,官方移除檢測代碼後仍無法排除二進制文件中隱藏的其他惡意代碼。

  • 2

    隔離原理:Docker Sandbox 提供五層隔離,每個 AI 工具運行在獨立微虛擬機中,擁有專用內核、Docker 引擎與網絡配置,使工具即使被植入惡意代碼也無法逃逸出沙盒環境。

  • 3

    實際防護效果:測試表明沙盒內的工具無法列出主機桌面文件、無法查詢系統信息、無法讀取 Chrome Cookies,完全隔離了對主機隱私數據的訪問權限。

  • 4

    功能完整性:雖然工具被限制在沙盒中,但包括 Agent View、模型切換、項目分析等所有功能都能正常使用,還支持集成 PlayWright MCP 進行前端調試。

實用技巧與重點

乾貨
  • 工具名稱:Docker Sandbox(Docker 官方推出)
  • 支持平台:macOS、Windows、Linux
  • 支持的 AI 編程工具:Claude Code、Codex、Copilot、Cursor、Carol、OpenCode
  • 隔離層級:五層隔離(微虛擬機、專用內核、Docker 引擎、網絡隔離、文件系統隔離)
  • 關鍵命令
  • 安裝:複製官方提供的安裝命令在終端執行
  • 禁用遙測:`sdx sandbox config --disable-telemetry`
  • 啟動 Claude Code:`sdx run --sandbox=[sandbox-name] claude-code --enable-all-permissions`
  • 啟動 Agent View:`sdx run --sandbox=[sandbox-name] claude-code --agent`
  • 列出已創建沙盒:`sdx sandbox list`
  • 更新沙盒內工具:`sdx update [sandbox-name] [tool-name]`
  • 啟動 Codex:`sdx run --sandbox=[sandbox-name] codex`
  • 啟動 OpenCode:`sdx run --sandbox=[sandbox-name] opencode`
  • 支持的 MCP 工具:PlayWright MCP(前端自動化調試)
  • 驗證測試:無法訪問主機文件、無法查詢系統信息、無法讀取瀏覽器 Cookies、無法修改主機文件

結論

結論

在 Docker Sandbox 中隔離運行 AI 編程工具是防止隱私竊取與被官方封號最有效的解決方案。

完整解析

詳細

Claude Code 最近因為隱私與安全問題引發廣泛關注。官方被爆出在代碼中內置了專門檢測中國用戶的功能,一旦識別到用戶通過中轉 API 訪問,就會修改 Prometheus 進行標記,最終批量封號所有相關的 Claude 賬號。這個事件經社交媒體傳播後獲得 40 多萬閱讀量,也暴露了 Claude 官方有能力窺視用戶隱私數據。雖然官方在新版本中移除了相關檢測代碼,但用戶無法確定二進制文件中是否仍藏有其他竊取隱私、竊取重要數據的惡意代碼。

為解決這個問題,Docker 官方推出了 Docker Sandbox,這是一款專門針對 AI 編程智能體的沙盒工具。其核心設計思想是通過隔離來實現防護。每個 AI 工具運行在獨立的微虛擬機中,擁有專用的內核、Docker 引擎和網絡配置,與主機操作系統形成五層隔離。即使 AI 工具被植入了竊取隱私或竊取用戶信息的惡意代碼,在沙盒中它也無法逃逸出來,更無法訪問沙盒外的主機文件、系統配置和敏感信息。

安裝與使用非常簡單。用戶只需要複製官方提供的安裝命令在終端執行即可,甚至可以讓 Claude Code 或 Codex 自動執行這些命令。安裝完成後首先要禁用遙測功能,防止沙盒收集信息發送到官方服務器。之後就可以通過簡單的命令行指令在沙盒中啟動各種 AI 編程工具。由於工具被授予了所有權限但同時受沙盒限制,用戶不需要反覆授權,而工具也因為被限制在沙盒內無法逃逸。

實際測試充分驗證了防護效果。當要求沙盒中的 Claude Code 列出桌面文件時,它提示無法看到;要求讀取 Chrome 瀏覽器的 Cookies 文件時,它提示沙盒中沒有安裝 Chrome;要求清空 Downloads 文件夾時也提示找不到該文件夾。但沙盒中的工具仍可通過引入 PlayWright MCP 工具來進行前端頁面調試和自動化測試,這表明隔離環境既能防止隱私洩露,又不會完全削弱 AI 工具的功能。Docker Sandbox 目前支持 Claude Code、Codex、Copilot、Cursor、OpenCode 等主流 AI 編程工具,用戶可根據需要在沙盒中運行不同的工具,沙盒內創建的所有環境都可通過列表命令查看和管理。

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。