AI Agent 沙箱不能只看容器:Qubes QSB-118 暴露的 backchannel 风险

如果你在做 AI Agent 沙箱,最容易犯的错是:把“模型能执行代码”这条主路径锁得很严,却忘了旁边那些看起来无害的辅助通道。 这不是抽象威胁。Hacker News 这两天讨论的 Qubes OS QSB-118 就是一个很好的提醒:漏洞不在“运行用户程序”本身,而在 qvm-copy-to-vm 的错误回报路径里。攻击者只要控制目标 qube,并诱导用户从 dom0 向这个 qube 复制文件,就可以通过目标 qube 返回的文件名影响 dom0 弹出的错误对话框,最终形成 dom0 任意命令执行。HN 原帖标题很直白:Arbitrary code execution in QubesOS via copy-to-VM error reporting backchannel。 我看到这类漏洞时第一反应不是“Qubes 不安全”,恰恰相反:Qubes 已经是桌面隔离里非常认真、非常偏执的系统了。连这种系统都会在文件复制确认、错误展示、GUI 调用这条链路上踩坑,普通 AI Agent 平台如果只说“我们把工具跑在 Docker 里”,其实远远不够。 说白了就是:沙箱边界不是一堵墙,而是一堆门、窗、下水道和快递口。 QSB-118 的技术细节值得拆一下。Qubes 公告里写得很清楚,qvm-copy-to-vm 使用 qfile 协议从 dom0 向指定 qube 复制文件。传输结束后,目标 qube 会把确认信息发回源端,包括校验和、错误码,以及“最后接收到的文件名”。如果发生错误,dom0 会显示一个 GUI 错误消息,其中包含这个由目标 qube 回传的文件名。 问题就出在这一步。 Qubes 的代码确实做了一个 sanitize_remote_filename(),但它主要替换控制字符、非 ASCII 字符和双引号;后续 display_error() 又用 asprintf() 拼出 kdialog 或 zenity 命令,再交给 system() 执行。人话翻译:一个本来只是“告诉用户哪个文件复制失败”的字符串,穿过错误处理函数后,变成了 shell 命令的一部分。只要过滤规则和 shell 语义之间有缝,攻击者就能把“文件名”变成“命令”。 ...

August 31, 2026 · 2 min · Hypho

MCP Roadmap:企业 Agent 基础设施真正缺的不是工具,而是协议边界

如果你这半年一直在做 Agent,很容易被一个错觉带偏:只要接入足够多的 MCP server,Agent 就会自然变强。 我越来越不相信这件事。 真正卡住企业 Agent 落地的,不是“有没有更多工具”,而是工具调用背后的边界问题:谁在请求?请求能持续多久?中间状态放在哪里?Agent 能不能安全地代表某个用户或某个组织身份去调用系统?出了问题,审计链路能不能说清楚?这些问题不解决,MCP server 再多,也只是把一堆 shell、数据库和 SaaS API 用同一种插头接了起来。 所以这次 Model Context Protocol 发布新的 roadmap 我觉得值得写。它不是一个普通“功能预告”,而是 MCP 从开发者生态走向企业基础设施时,必须补上的几块骨头。 HN 上这条 New MCP Roadmap 拿到 200 多分,讨论热度不低。但我更关心的不是热度,而是 roadmap 里几个关键词连在一起之后透露出的方向:agentic messaging primitives、HTTP-native transport、Agent identity、enterprise-ready security、SDK developer experience。 翻成人话:MCP 正在从“让模型能调用工具的协议”,变成“让多个 Agent、多个服务、多个身份在可控边界里协作的协议”。这两者差别很大。 为什么现在的 MCP 还不够“企业级” MCP 的基础定位很清楚。官方文档说,它是一个开放协议,用来让 LLM 应用和外部数据源、工具无缝集成;在架构上,Host 是用户实际使用的 AI 应用,Client 是 Host 里面连接 MCP server 的连接器,Server 则暴露工具、资源和上下文能力。这个分层在 MCP architecture overview 里讲得很明确。 这个设计很优雅,因为它把“模型要做什么”和“工具怎么接入”解耦了。IDE、聊天应用、自动化平台都可以作为 Host;数据库、代码仓库、工单系统都可以作为 Server。中间通过统一协议沟通。 但优雅不等于生产可用。 在真实企业环境里,工具调用通常不是一次性的函数调用,而是一串带状态、带权限、带审计要求的流程。比如一个代码 Agent 想修复线上 bug,它可能需要读监控、查日志、开分支、改代码、跑测试、发 PR、请求审批。每一步都可能跨系统,权限也不一样。你不能简单地说“给 Agent 一个 GitHub token 和数据库 token”,然后祝它好运。 ...

August 24, 2026 · 2 min · Hypho

Docker Sandboxes:AI 编程 Agent 该不该关进一次性微虚拟机?

如果你已经习惯让 Claude Code、Codex 或 Cursor 在本地仓库里改代码,有一个问题迟早会冒出来:我到底是在授权一个助手,还是在把整台开发机交给一个会运行命令的黑盒? 我不是说 AI 编程 Agent 不能用。恰恰相反,过去一年最明显的变化是,Agent 已经从“帮我补函数”的编辑器功能,变成了会 npm install、跑测试、改配置、访问 MCP 工具、甚至读写凭证附近文件的半自动工程同事。问题在于,我们给它的工作环境通常很粗糙:要么放在本机裸跑,靠权限弹窗拦一下;要么塞进普通容器,默认网络和凭证边界又不够细;要么继续加系统提示词,祈祷模型“不要乱来”。 所以 Docker Sandboxes 这次在 HN 上拿到 600+ points,我觉得不是偶然。它戳中的不是“Docker 又发了一个 AI 产品”的新闻点,而是一个很具体的工程搜索意图:AI coding agent 能不能在生产团队里安全地跑?如果能,隔离边界应该长什么样? 这不是把 Docker 换个壳,而是把 Agent 当成不可信进程处理 Docker 官方文档对 Sandboxes 的定义很直接:它用 sbx 把 AI coding agent 跑在隔离的 microVM 里,每个 sandbox 都有自己的 Docker daemon、文件系统和网络,Agent 可以构建容器、安装包、修改文件,但不会直接触碰宿主机系统1。 这句话里有两个关键词:microVM 和 自己的 Docker daemon。 普通 Docker 容器的问题在于,它仍然共享宿主机内核;一旦你还把 Docker socket、SSH key、全量 $HOME 或项目根目录粗暴挂进去,容器边界就很容易从“隔离”变成“心理安慰”。Docker Sandboxes 的设计更接近“每个 Agent 任务开一台轻量临时开发机”:独立 Linux kernel,独立进程空间,独立网络,删除 sandbox 时 VM 内部状态一起清掉2。 ...

August 12, 2026 · 3 min · Hypho

GoModel:一个人用 Go 写的高性能 AI 网关,511 Stars,LiteLLM 的替代方案

如果你在生产环境里接入了两个以上的 LLM 提供商(OpenAI、Anthropic、Gemini、Groq……),大概率已经踩过这些坑:供应商的 API 格式不统一、重试逻辑要写 N 份、想把 Claude 和 GPT 的调用日志合并看也做不到、换个供应商代码要改一大坨。 这就是 AI Gateway 存在的意义——在你和所有模型供应商之间加一层抽象,对外暴露统一的 OpenAI 兼容 API,你改供应商只需要改配置,不用动业务代码。 这个赛道最知名的是 LiteLLM(Python),今天要聊的是一个用 Go 写的竞争方案——GoModel,4 个月时间,511 Stars,GitHub 最后一次提交就在昨天。 背景:多供应商困境 先说个真实的场景。 你做 AI 产品,接入了 GPT-4o 做主力、Claude Sonnet 做复杂推理、Gemini 2.5 Flash 做快速摘要。三个供应商,三套 SDK,三套错误处理,三套重试策略,三套计费逻辑。然后产品经理说:「能不能把这个月各模型 token 消耗做个报表?」 你翻了三天日志,发现各家日志格式完全不一样,计量单位都不统一。这就是为什么需要一个 AI Gateway——它把所有调用收敛到一个统一的接口,同时帮你把日志、计费、缓存这些事情做好。 LiteLLM 是这个方向最成熟的开源方案,但它是 Python 写的,GIL 限制了并发能力,而且配置相对复杂。 GoModel 是什么 GoModel 是来自波兰华沙的独立开发者 Jakub(GitHub @santiago-pl)的作品,2024 年 12 月开始开发,定位是高性能 AI Gateway,用 Go 编写,对外暴露完整的 OpenAI 兼容 API。 核心特性: 11 家供应商支持:OpenAI、Anthropic、Google Gemini、xAI Grok、OpenRouter、Z.ai、Azure OpenAI、Oracle Cloud AI、Ollama、vLLM OpenAI 兼容端点全覆盖:/v1/chat/completions、/v1/embeddings、/v1/files、/v1/batches 双层响应缓存:精确匹配缓存 + 语义缓存(基于向量相似度),官方案例中语义缓存将命中率从 18% 提升到 60-70% Guardrails:可配置的请求/响应过滤管道 Provider Passthrough:原生端点透传(/p/{provider}/...),绕过网关直接访问供应商特性 Admin API:用量统计、Token 消耗追踪、审计日志 说白了就是:LiteLLM 能做的 GoModel 基本都能做,但用 Go 写的,高并发下性能更好,内存占用地更低。 ...

April 23, 2026 · 2 min · Hypho