跳到主要內容

FakeGit攻擊解析：假MCP伺服器讓AI編碼代理中毒 | FakeGit Attack: Fake MCP Servers Poison AI Coding Agents

By Kit 小克 | AI Tool Observer | 2026-07-28

🇹🇼 FakeGit攻擊解析：假MCP伺服器讓AI編碼代理中毒

FakeGit是資安圈本週最熱的話題：研究人員發現近7600個惡意GitHub專案，其中逾800個偽裝成AI技能或MCP伺服器，靠一種叫「AgentBaiting」的新手法，誘騙Claude Code、Gemini、ChatGPT等AI編碼代理自動下載並執行惡意軟體，累積下載量已破1400萬次。這不是單純的釣魚攻擊，而是專門針對AI代理搜尋行為設計的供應鏈攻擊，值得每個用AI寫程式的人認真看一次。

什麼是FakeGit攻擊？

FakeGit是一場大規模GitHub惡意軟體活動，攻擊者用複製的專案、偽造的開發者帳號、看似正常的README，包裝SmartLoader惡意軟體與後續的StealC資訊竊取程式，藏在ZIP壓縮檔裡等人（或AI）下載執行。

AgentBaiting怎麼運作？

AgentBaiting的核心在於：攻擊者不再只是等人類點連結，而是讓AI編碼代理在幫使用者「找一個能用的MCP伺服器」或「找個現成的技能套件」時，自己搜尋到並主動推薦這些惡意專案——使用者可能根本沒貼過任何連結，代理就已經把毒藥端上桌。安全公司Island的測試證實，Claude Code、Google Gemini與OpenAI ChatGPT在特定情境下都會被誘導，主動推薦FakeGit的惡意repo。

哪些平台已經被滲透？

更麻煩的是，FakeGit已經滲透到公開的MCP目錄與技能市集，包括：

  • LobeHub
  • Glama
  • MCP.so
  • MCP Market

研究人員在這些平台上找到超過600筆與FakeGit活動相關的技能或MCP伺服器登錄，代表這已經不是「小心陌生連結」就能解決的問題，而是連信任的目錄本身都可能被污染。

開發者該怎麼自保？

  • AI代理推薦安裝MCP伺服器或技能前，先手動查看該GitHub帳號的建立時間、star數與commit歷史，帳號太新、歷史太乾淨反而可疑
  • 在沙盒或隔離環境先試跑，不要直接在主力開發機器上執行代理推薦的未知套件
  • 優先選擇有明確組織背景、多人維護、有CI測試的專案，而非孤狼帳號的單一repo
  • 把AI代理的「自動安裝」權限收緊，重要操作改成人工確認再執行

好不好用，試了才知道，但這次要先確認安全，再談好不好用。

🇺🇸 FakeGit Attack: Fake MCP Servers Poison AI Coding Agents

FakeGit is this week's hottest security story: researchers found nearly 7,600 malicious GitHub repositories, over 800 of them disguised as AI skills or MCP servers, using a new technique called "AgentBaiting" to trick Claude Code, Gemini, and ChatGPT into autonomously downloading and running malware — with more than 14 million downloads already logged. This isn't a phishing campaign in the usual sense; it's a supply-chain attack purpose-built to exploit how AI coding agents search for tools, and it matters for anyone who lets an agent install things on their behalf.

What Is the FakeGit Campaign?

FakeGit is a large-scale GitHub malware operation. Attackers clone legitimate-looking projects, spin up fake developer profiles, write convincing READMEs, and bundle SmartLoader malware with a follow-on infostealer called StealC inside ZIP files, waiting for a human — or an AI agent — to download and run them.

How Does AgentBaiting Actually Work?

AgentBaiting's core trick is that attackers no longer need a human to click a link. When an AI coding agent searches for "an MCP server that does X" or "a ready-made skill for Y," it can surface and recommend one of these poisoned repos on its own — the user never pasted a link, yet the agent hands them the malware anyway. Security firm Island confirmed in testing that Claude Code, Google Gemini, and OpenAI ChatGPT can all be steered into recommending FakeGit repositories under the right conditions.

Which Platforms Have Been Compromised?

Worse, FakeGit has already infiltrated public MCP directories and skill marketplaces, including:

  • LobeHub
  • Glama
  • MCP.so
  • MCP Market

Researchers found over 600 skill or MCP server listings on these platforms tied to the campaign — meaning "just avoid sketchy links" no longer cuts it when the trusted directories themselves are poisoned.

How Should Developers Protect Themselves?

  • Before installing any MCP server or skill an agent recommends, manually check the GitHub account's age, star count, and commit history — an account that's too new with a suspiciously clean history is a red flag
  • Test unknown packages in a sandbox or isolated environment first, never directly on your main dev machine
  • Favor projects with a clear organizational backing, multiple maintainers, and CI tests over single-repo lone-wolf accounts
  • Tighten your agent's auto-install permissions so anything that touches the filesystem or network requires manual confirmation

好不好用，試了才知道 — but this time, confirm it's safe before you confirm it's useful.

Sources / 資料來源

常見問題 FAQ

FakeGit攻擊是什麼？

是一場用近7600個假GitHub專案散布SmartLoader與StealC惡意軟體的活動，其中逾800個偽裝成AI技能或MCP伺服器，下載量已破1400萬次。

AgentBaiting跟一般惡意軟體攻擊有什麼不同？

攻擊者不需要誘騙人類點連結，而是讓AI編碼代理在搜尋工具時自己發現並推薦惡意專案，等於把AI的搜尋行為當成攻擊入口。

哪些AI工具已被證實會中招？

安全公司Island測試發現，Claude Code、Google Gemini與OpenAI ChatGPT在特定情境下都可能被誘導推薦FakeGit的惡意repo，即使使用者沒貼過任何連結。

一般開發者該怎麼防範FakeGit？

安裝AI推薦的MCP伺服器或技能前，先手動查驗GitHub帳號歷史、star數與commit紀錄，並在沙盒環境測試，不要照單全收代理的建議。

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

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

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