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
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 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
  • 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
  • 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 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
编程提效2026-11-18 14:09

145 个 AI 搭建的应用中有 16 个权限配置有问题

dev.to · AI#Supabase#行级安全#AI 编程
Editor brief · 编辑速览

作者静态审查了 145 个 Supabase 应用的公开代码,在 16 个应用中发现严重配置问题,常见情况是开启行级安全后仍使用过于宽松的策略。检查范围包括迁移文件、数据库结构和配置,未对线上服务进行探测。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

作者检查了 145 个近期发布、用 AI 辅助构建的 Supabase 应用,大多数用 Next.js。他在 16 个应用的公开代码里发现至少一处严重的安全配置问题,占 11%。其中 13 个应用虽然开了行级安全,策略却给了用户过宽的权限。

对前端和全栈开发来说,这篇最实用的地方是提供了一个验收思路:自己的账号能读到订单,只验证了功能可用。再用第二个账号跑一遍,才知道账号之间有没有隔离。

为什么开了 RLS,登录用户还是能读别人的订单

Supabase 的行级安全(Row Level Security,RLS)可以按行决定谁能读写数据。下面这段是作者发现的订单策略,它让有相应表权限的登录用户通过所有行级检查。

CREATE POLICY "allow_all" ON orders
  FOR ALL TO authenticated
  USING (true) WITH CHECK (true);

最后一行的两个 true 都没有检查数据归属。USING 用来判断已有行是否能被当前操作访问,WITH CHECK 用来判断插入或更新后的行是否允许写入。这里的 FOR ALL 把策略应用到了所有操作,TO authenticated 则把适用角色指定为登录用户。

作者还看到了只在读取时放行的 FOR SELECT USING (true),以及写入时直接用 WITH CHECK (true) 的变体。具体能更新哪些已有行,还得看 USING 和其他适用策略。省略 TO 时,策略默认适用于 PUBLIC,也涵盖匿名角色。匿名请求能否实际访问,还取决于该角色有没有相应的表权限。受影响的表包括订单、客户资料、CRM 数据、贷款记录和用户档案。

作者对成因的解释是,AI 编程工具遇到权限错误时,宽松策略能迅速让查询恢复,演示也能通过。这个开发循环验证了「该成功的请求能成功」,却漏掉了「该拒绝的请求会被拒绝」。

.env.example 里的值也可能是凭据

另外 3 个应用的问题出在凭据处理。两份 .env.example 包含格式像真实凭据的值,涉及认证、Webhook、定时任务,以及带密码的数据库 URL。还有一个应用把密钥默认值硬编码在配置里,生产环境是否会用到它,取决于部署时有没有覆盖。作者只看了公开代码,未验证这些值是否仍然有效。

这批样本里,作者发现前端代码携带 service_role 密钥的案例为 0。即便前端使用的是公开的 anon key,订单能否做到按账号隔离,仍然要看数据库权限和 RLS 策略。排查凭据时也要翻 Git 历史。真实密钥一旦进过公开提交,就应轮换,删除当前版本的文件无法收回已经公开的值。

我的判断

这次审查覆盖迁移文件、schema 导出和配置,没有探测线上服务,也没有验证部署数据库与仓库里的策略是否一致。11% 是这批公开代码样本的发现比例,不能当成所有 AI 构建的 Supabase 应用的漏洞率。至于 AI 是否比人工开发更容易写出宽松策略,原文没有对照组,关于成因的解释是经验之谈。作者也披露了自己经营提供安全检查的 CapsAGI。

我会把 true 当成审查线索。公开目录可能就需要允许所有人读取,订单这类按用户隔离的数据则需要核对策略有没有检查归属。静态检查适合定位具体策略,用第二个账号测试则能验证应用在真实用户权限下会返回什么。两种检查回答的是不同的问题。

能拿来做什么

  • 审查 Supabase 迁移时,可以从 Table Editor → 对应表 → RLS policies 入手,也可以执行下面的 SQL,一次列出 public schema 的策略条件。
SELECT policyname, cmd, qual, with_check FROM pg_policies WHERE schemaname = 'public';

核对这条语句里的 qual 和 with_check,分别找出无条件放行的访问条件和写入检查,再结合策略对应的操作判断。

  • 在自己的应用里建两个测试账号,用第二个账号登录,带着它的会话和应用公开的 anon key 查询用户或订单数据,确认第一个账号的记录没有被返回。
  • 让 AI 修复权限报错时,在验收条件里加一句「当前账号能访问自己的记录,另一个账号访问同一条记录时应被拒绝」,并用两个账号各跑一遍。
  • 在仓库和历史提交里搜索 SERVICE_ROLE、SECRET,以及 .env* 文件中像真实凭据的值。确认有真实密钥进入过公开提交后,轮换该密钥。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
Pipecat 修复工具进度回调误取消超时
下一篇
跨层复用 KV 缓存,探索推理显存压缩

资讯速览

dev.to · AI · 2026-11-18 14:09

AI 评分 8.0 / 10

相关标签

#Supabase#行级安全#AI 编程

继续阅读

  • 给支付智能体加五项独立校验
  • Pipecat 修复工具进度回调误取消超时
  • 跨层复用 KV 缓存,探索推理显存压缩
  • 编程智能体拒答后,也要交代已做的修改
  • 多智能体故障排查:从上下文到工具调用