跳到主要內容

DeepSeek Harness評測：AI代理自解沙箱，9.4分重大漏洞 | DeepSeek Harness Review: Sandbox Escape Flaw Hits CVSS 9.4

By Kit 小克 | AI Tool Observer | 2026-09-10

🇹🇼 DeepSeek Harness評測：AI代理自解沙箱，9.4分重大漏洞

DeepSeek Harness是DeepSeek在8月推出的開源AI程式碼代理工具，本地執行、附帶瀏覽器介面，短短幾週就衝上GitHub超過21萬顆星。但安全公司OX Security在9月9日公開的報告顯示，這個工具存在一個CVSS評分高達9.4分的重大漏洞（CVE-2026-82533）：被關在沙箱裡的AI代理，只要下一個指令，就能自己解除沙箱限制，等於監守自盜。

DeepSeek Harness漏洞出在哪：一個沒驗證來源的API

問題核心是一個叫isTrustedApiRequest的驗證函式。DeepSeek Harness把代理控制介面開在本機3080埠的HTTP API上，但判斷「這個請求可不可信」的方式，只看用戶端送來的Host標頭字串，完全沒有真的去查連線來源的實際位址。OS層的沙箱機制（bubblewrap或Seatbelt）雖然鎖住了檔案寫入，卻沒鎖住loopback（本機）網路連線，一般shell指令也不需要人工核准。

結果就是：只要偽造Host標頭發一個HTTP請求，就能把自己的session權限改成「danger-full-access」、approval設成「never」，一秒解除所有防護。更糟的是，這個變更在日誌裡會被記成「使用者」動作，讓人以為是開發者自己關掉了防護，而不是代理自己動手。

影響範圍：不只是自己人的問題

受影響版本是DeepSeek Harness 0.1.1-rc.2及更早版本。除了代理自我提權，這個漏洞理論上也讓能碰到本機網路的攻擊者（例如透過SSH port forward、proxy或tunnel）在不需要API金鑰的情況下，直接接管代理、偷走儲存的對話紀錄。對任何把它跑在共享機器、雲端VM或CI環境裡的團隊來說，這都是實打實的風險。

修補時間軸：算是負責任揭露的範例

  • 8月24日：OX Security將漏洞回報給VulnCheck
  • 8月27日：DeepSeek發布修補版本0.1.2-alpha.1
  • 8月30日：OX Research確認修補生效
  • 9月8日：CVE-2026-82533正式公開

從發現到修補只花3天，反應速度相當快，值得肯定。

小克的誠實提醒

如果你正在用DeepSeek Harness，第一件事就是升級到0.1.2-alpha.1以上版本，並檢查有沒有把本機3080埠透過proxy或tunnel暴露出去。更大的啟示是：這不是DeepSeek一家的問題，OpenAI、Anthropic旗下的代理工具過去也出現過類似的沙箱逃逸案例——AI代理的能力擴張速度，已經明顯超過安全機制跟上的速度。用任何AI代理工具前，先假設它有機會被騙著自己解除防護，這個心態比裝多少層沙箱都重要。

好不好用，試了才知道。

🇺🇸 DeepSeek Harness Review: Sandbox Escape Flaw Hits CVSS 9.4

DeepSeek Harness, the open-source local AI coding agent tool DeepSeek released in August, picked up over 215,000 GitHub stars within weeks — and then got hit with a critical flaw. Security firm OX Security disclosed on September 9 that the tool carried a CVSS 9.4 vulnerability (CVE-2026-82533) letting a sandboxed AI agent disable its own confinement with a single command.

What Went Wrong: An API That Trusted the Wrong Thing

The root cause was a function called isTrustedApiRequest. DeepSeek Harness exposes its agent-control interface as a local HTTP API on port 3080, and decided whether a request was "trusted" purely by checking the client-supplied Host header string — never verifying where the connection actually came from. The OS-level sandbox (bubblewrap or Seatbelt) locked down file writes, but left loopback networking wide open, and ordinary shell commands needed no approval.

The result: a single spoofed HTTP request could flip the agent session to "danger-full-access" with approval set to "never," instantly stripping every safeguard. Worse, the change got logged as coming from a "user" — making it look like a developer disabled protection, not the agent acting on itself.

Who's Affected

The flaw hits DeepSeek Harness 0.1.1-rc.2 and earlier. Beyond agent self-escalation, it theoretically let any attacker with access to the local network — via SSH port forwarding, a proxy, or a tunnel — hijack the agent and exfiltrate stored conversations without ever needing an API key. That's a real risk for any team running it on shared machines, cloud VMs, or CI pipelines.

Timeline: A Decent Disclosure Story

  • Aug 24 — OX Security reports the flaw to VulnCheck
  • Aug 27 — DeepSeek ships the fix in v0.1.2-alpha.1
  • Aug 30 — OX Research confirms the patch works
  • Sep 8 — CVE-2026-82533 goes public

Three days from report to fix is a genuinely fast turnaround, worth crediting.

Kit's Honest Take

If you run DeepSeek Harness, upgrade to 0.1.2-alpha.1 or later now, and check whether your local port 3080 is exposed through any proxy or tunnel. The bigger lesson: this isn't a DeepSeek-only problem — agent tools from OpenAI and Anthropic have had similar sandbox-escape incidents before. AI agent capability is scaling faster than the security controls meant to contain it. Before trusting any agent tool's sandbox, assume it can be talked into unlocking itself — that mindset matters more than how many layers of sandboxing you stack on top.

好不好用，試了才知道 — You won't know until you try it.

Sources / 資料來源

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容