前端进阶之旅前端进阶之旅
基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
知识卡片NEW
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 业务场景题真实业务问题与追问
  • 查漏补缺常见问题解析
  • AI 模拟面试NEW模拟真实面试 + 报告
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
    • AI 定制路线NEW按你的简历现排
    • AI 知识地图NEW串起全站知识点
  • 动态
    • AI 热点NEWAI 每日动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
AI 助手NEW
旧版
基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
知识卡片NEW
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 业务场景题真实业务问题与追问
  • 查漏补缺常见问题解析
  • AI 模拟面试NEW模拟真实面试 + 报告
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
    • AI 定制路线NEW按你的简历现排
    • AI 知识地图NEW串起全站知识点
  • 动态
    • AI 热点NEWAI 每日动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
AI 助手NEW
旧版
返回 AI 情报前线
All News · 全部资讯8616
  • Agent 时代的身份认证困局:MCP 安全重思
  • Grok Build 开源后的 Agent 安全审查清单
  • Semantic Release 自动化版本管理和变更日志
  • LLM JSON 输出:Prompt 不如解码约束可靠
  • 编程任务的 LLM 模型选型指南
  • 真实代码库PR任务上的AI编程Agent对标测试
  • LLM函数调用跨提供商差异的可重复测试框架
  • 2026 Prompt管理工具市场洗牌与迁移指南
  • 2026 LLM网关对比:成本、可靠性与市场格局
  • RAG 2026:开源框架与托管平台的架构权衡
  • AI漏洞检测2026:从RCA到自动修复的Agent演进
  • 代码重构显著降低 AI 编程的 Token 消耗
  • AI时代文档成为代码的运行手册
  • AI从检测Bug转向自动修复范式
  • OpenAI Astra 数学成果:从模型输出到可验证代码
  • Agent 系统失败根源:协调瓶颈而非模型智能
  • 开源工具:减少前端 AI Agent 的 token 浪费
  • AI 模型突破数学难题,数学家警示职业风险
  • Agent 持久化记忆与秘密防泄:从入口单次清洗
  • LLM推荐系统成本陷阱与三层优化策略
  • Cursor Windows任意代码执行漏洞,沙箱打开前需谨慎
  • MCP:AI 工具集成的统一标准
  • 同一模型不同运行时效果差异大
  • AI/ML 工程师实战学习路线图与里程碑
  • 本地 LLM 驱动智能合约模糊测试
  • Herdr:Agent 并行管理工具
  • 按不确定性选模型:DeepSeek Flash 用法指南
  • Prompt 模板失效的根本原因与修复方法
  • Ollama 驱动的自主 Agent 实战:定时执行与安全网关
  • MCP 中的工具形状:Agent 安全治理的新边界
  • Agent 内存系统的取舍:什么值得记住,什么该遗忘
  • 三个易混淆概念澄清:内存 vs 上下文窗口 vs RAG
  • Spring AI 集成 Gemini:配置即用,无需重写
  • AI Agent的四层记忆系统:工作/事件/语义/程序记忆
  • Agent的遗忘问题:持久化内存的设计与实现
  • 编码智能体的双面性:60倍加速与科学正确性困境
  • 高风险 LLM 推理系统的精细设计:从置信度到脆弱性感知
  • AI 编码时代的规范危机:从代码优先到持续同步机制
  • 从单 Agent 到吞吐量模型:Herdr 的多 Agent 并行工作流
  • 统一 Agent 推理与 UI 的本体论:避免 Schema 漂移陷阱
  • Node.js 24.18.1 LTS维护版本要点
  • 为AI Agent设计可靠的API接口
  • 用Agent舰队构建生产级SaaS全流程
  • LLM Agent的科学评测框架与自动化回归门禁
  • Claude Code高效协作的五步预检查工作流
  • Agent商业化必备:工具隔离与最小权限安全设计
  • Word文档中隐藏的自传播Prompt Injection漏洞
  • AI 代码辅助时代,验证与迭代胜过堆砌提示词
  • Agent 防错机制:从错误记录到规则硬化
  • 用多模态 LLM 自动化文档数据提取
  • 7.5B 小模型在编码基准上超越 24B 大模型
  • 已加载 51 / 8616
8.0
热点
AI SCORE
技术实践2026-08-01 23:36

Cursor Windows任意代码执行漏洞,沙箱打开前需谨慎

dev.to · AI#安全漏洞#Cursor#供应链安全
Editor brief · 编辑速览

Cursor 3.2.16 Windows版存在严重安全漏洞,未验证即执行项目目录中的git.exe,用户打开陌生仓库即触发任意代码执行。

文章思维导图
Knowledge map
拖拽缩放
Full translation

完整中文译文

Cursor 3.2.16 Windows上的安全问题:7月14日披露的PoC - 未检查仓库中的git.exe在打开时运行

7月14日,Mindgard披露了一个PoC,在该PoC中,Windows上的Cursor在打开项目时会查找并执行位于仓库根目录中的git.exe。为了演示,研究人员将Windows计算器重命名为git.exe并将其放在项目文件夹中。不需要单独点击文件或确认提示。

这改变了Cursor的实践规则:陌生的仓库在隔离环境中打开之前,不能仅仅被视为源代码集合。风险不在Git本身,也不在互联网上的每个项目,而在于可执行文件搜索可能会考虑工作区的内容。

具体确认的内容

公开命名的检查涉及Windows上的Cursor 3.2.16,日期为4月30日。攻击条件也很具体:用户必须在本地获得被污染的仓库并在编辑器中打开它。这不是关于"远程零点击"无需人工参与的断言,也不是macOS或Linux的证据。

机制比炫目的演示更重要。如果工具在打开工作区时搜索git.exe,使得项目根目录中的文件成为合适的候选者,则仓库不仅影响代码文本和配置,还影响要运行的程序的选择。那么熟悉的"查看项目"操作就成为了执行的边界。

经过七个月的披露后,Mindgard发布了详细信息。讨论很快超出了一份报告的范围:Hacker News上的相应帖子获得了453分和202条评论。这不是对漏洞普遍性或开发者对这类风险熟悉程度的衡量,而是对这个特定帖子的兴趣和讨论度的指标。

证据的界限在哪里

现在最危险的错误可能不是低估PoC,而是将其扩展超出事实。更新的版本3.11没有被研究人员在所述的测试中公开检查。因此,"最新的Cursor肯定易受攻击"这一说法是未经证实的。

Cursor将这一场景列为bug bounty计划之外的范围,理由是共同责任和工作区信任。这是一个有力的反驳:开发环境确实不能完全代替用户对项目来源的评估,而对工作区的信任应该影响有风险的操作。

但这里仍然存在一个实际问题。发表的内容没有给出独立的最终验证,即工作区信任是否恰好阻止了所述的Git探测。在得到答案之前,将信任设置合理地视为额外的屏障而不是唯一的保护是合理的。

Схема пути от открытия репозитория к поиску git.exe

解决方案:分离查看和信任

对于陌生的仓库,短决策模式很有用。

打开前,检查解包文件夹的根目录是否存在可执行文件,尤其是环境可能搜索的工具名称。

如果项目仅用于初步检查,请在Windows Sandbox或一次性虚拟机中打开它。

不要将工作秘密、令牌和其他敏感数据连接到这样的环境。

在托管的Windows环境中,使用基于路径的AppLocker规则或Windows应用控制策略,限制从出现外部仓库的路径执行。

不要仅依赖哈希阻止:当恶意文件可以重建或替换时,它不能解决问题。

这不是停止使用外部库、示例和测试项目的理由。这是区分"我想阅读代码"和"我准备让文件夹参与搜索可执行程序"的理由。

当团队定期研究外部仓库时,基础设施边界很有用:首先在一次性环境中解包并检查项目,不挂载秘密并记录执行事件。这种模式可以在provod.ai中建立为agentic编码的独立电路,不假设服务本身运行Cursor。

Карточка безопасного режима для незнакомых репозиториев

provod.ai — 符合俄罗斯要求的企业AI工作

对于涉及个人数据的场景,重要的不仅是模型,还有流程的组织:平台设计时考虑了俄罗斯立法的要求,适用性由数据组成和客户设置决定。

一个目录中提供了最新的文本和媒体模型:来自OpenAI的GPT、来自Anthropic的Claude、来自Google的Gemini、来自xAI的Grok、DeepSeek、Qwen、GLM、Kimi和MiniMax;对于图像——Nano Banana 2 Pro和GPT Image;对于视频——Seedance、Kling、Veo和Google Omni的最新版本。还提供了用于推理、搜索、文档、嵌入、音乐和音频的模型。

企业流程要求不会增加模型的费率:成本与提供商的官方价格保持1:1,不含provod.ai的加价。

了解企业场景的条件:注册表单·模型价格·根据152-ФЗ的数据保护·数据处理策略

对你的团队来说,什么更昂贵:花几分钟对每个外部仓库进行隔离的首次运行,还是有权在工作环境中直接用秘密打开它们?

For further actions, you may consider blocking this person and/or reporting abuse

Original source

本文由 AI 翻译整理自 dev.to · AI,原文版权归原作者所有。

阅读英文原文
上一篇
LLM推荐系统成本陷阱与三层优化策略
下一篇
MCP:AI 工具集成的统一标准