Опубликовано 27 марта 2026

ИИ-агенты под угрозой безопасности: проверка 30 000 навыков показала риски

ИИ-агенты под угрозой: что показала проверка 30 000 навыков в каталоге Alibaba Cloud

Alibaba Cloud проверила безопасность 30 000 навыков ИИ-агентов и обнаружила серьёзные угрозы, требующие специализированных инструментов защиты.

Безопасность 3 – 5 минут чтения
Источник события: Alibaba Cloud 3 – 5 минут чтения

Чем активнее развивается рынок ИИ-агентов, тем острее встаёт вопрос: а насколько они безопасны? Не в философском смысле, а в самом практическом – что происходит, когда тысячи разработчиков публикуют готовые «навыки» для ИИ-агентов в открытых каталогах, и кто вообще проверяет, что внутри?

Alibaba Cloud решила ответить на этот вопрос конкретными данными. Команда исследователей проанализировала более 30 000 навыков, опубликованных на платформе ClawHub – каталоге, где разработчики размещают готовые модули для расширения возможностей ИИ-агентов. Результаты оказались достаточно тревожными, чтобы говорить об этом вслух.

Что такое навык ИИ-агента и его значение для безопасности

Что такое «навык» ИИ-агента и почему это важно

Если коротко: современный ИИ-агент – это не просто языковая модель, которая отвечает на вопросы. Это система, которая может действовать: искать информацию в интернете, управлять файлами, отправлять сообщения, вызывать внешние сервисы. Всё это реализуется через так называемые навыки – отдельные модули, которые подключаются к агенту и расширяют его функциональность.

Проще говоря, навык для ИИ-агента – это примерно то же, что плагин для браузера или приложение в смартфоне. Удобно, быстро, но всегда есть риск: а что именно делает этот модуль под капотом?

ClawHub – это как раз такой магазин навыков от Alibaba Cloud. Тысячи разработчиков публикуют там готовые решения, которые другие могут подключить к своим агентам. Масштаб платформы делает её хорошим индикатором того, как обстоят дела с безопасностью в этой части ИИ-экосистемы в целом.

Какие уязвимости обнаружены в навыках ИИ-агентов

Что нашли внутри

Исследователи прогнали все 30 000 навыков через систему анализа безопасности и получили довольно подробную картину угроз.

Главный вывод: значительная часть навыков содержит уязвимости или потенциально опасные паттерны поведения. Причём речь идёт не только о банальных ошибках – среди найденных проблем есть угрозы высокого уровня риска.

Среди наиболее серьёзных категорий угроз выделяются несколько направлений:

  • Инъекции через входные данные – ситуация, когда злоумышленник может через специально сформированный запрос заставить агента выполнить нежелательное действие. Это один из самых распространённых векторов атак в экосистемах ИИ-агентов.
  • Утечки конфиденциальных данных – навыки, которые потенциально могут передавать чувствительную информацию туда, куда не следует.
  • Небезопасное взаимодействие с внешними сервисами – когда модуль обращается к сторонним ресурсам без должной проверки подлинности и без контроля над тем, что именно возвращается в ответ.
  • Избыточные разрешения – навыки, которые запрашивают больше прав доступа, чем им реально нужно для работы.

Отдельно стоит отметить: многие из этих проблем не являются результатом злого умысла. Большинство разработчиков просто не думают о безопасности в контексте ИИ-агентов так же, как думали бы о безопасности обычного веб-приложения. Это новая среда с новыми правилами – и культура защищённой разработки здесь только формируется.

Почему стандартные методы защиты неэффективны для ИИ-агентов

Почему обычных инструментов защиты недостаточно

Один из ключевых тезисов исследования: стандартные методы анализа кода и безопасности плохо применимы к навыкам ИИ-агентов. И это не очевидно с первого взгляда.

Дело в том, что агентные системы работают иначе, чем традиционное программное обеспечение. Агент принимает решения динамически, опираясь на контекст диалога, внешние данные и внутреннее состояние. Навык, который выглядит безопасным в изоляции, может стать опасным в определённой цепочке взаимодействий. Обычный статический анализатор кода такие сценарии просто не видит.

Это означает, что для защиты экосистем ИИ-агентов нужны специализированные инструменты – те, которые понимают агентную логику, умеют моделировать цепочки вызовов и оценивать риски в контексте конкретного поведения системы, а не просто сканировать код на известные паттерны уязвимостей.

На сегодняшний день таких инструментов мало, они только появляются, и исследование Alibaba Cloud – один из сигналов того, что индустрия начинает осознавать эту проблему.

Масштаб проблемы безопасности ИИ-агентов на реальном рынке с 30 000 навыков

Масштаб имеет значение

30 000 навыков – это не маленькая выборка. Это срез реального рынка, на котором уже сейчас работают агентные системы в самых разных сферах: от помощников по работе с документами до инструментов автоматизации бизнес-процессов.

Важно понимать контекст: рынок ИИ-агентов растёт очень быстро.

Оригинальное название: Alibaba Cloud ClawHub Skill Scan: Security Metrics Across 30,000 AI Agent Skills
Дата публикации: 27 мар 2026
Alibaba Cloud www.alibabacloud.com Китайское облачное и ИИ-подразделение Alibaba, предоставляющее инфраструктуру и сервисы для бизнеса.
Предыдущая статья Когда документ слишком длинный: как маленькие модели справляются лучше больших Следующая статья 900 МВт для ИИ: Crusoe строит гигантский дата-центр в Техасе для Microsoft

Связанные публикации

Вам может быть интересно

Перейти к другим событиям

События – лишь часть картины. Эти материалы помогают увидеть шире: контекст, последствия и идеи, стоящие за новостями.

OpenAI выпустила набор готовых политик безопасности с открытым исходным кодом, которые помогают разработчикам защищать подростков от опасного контента в ИИ-приложениях.

OpenAIopenai.com 25 мар 2026

От источника к разбору

Как создавался этот текст

Этот материал не является прямым пересказом исходной публикации. Сначала была отобрана сама новость – как событие, важное для понимания развития ИИ. Затем мы задали рамку обработки: что в тексте важно прояснить, какой контекст добавить и на чём сделать акцент. Это позволило превратить отдельный анонс или обновление в связный и осмысленный разбор.

Нейросети, участвовавшие в работе

Мы открыто показываем, какие модели использовались на разных этапах обработки. Каждая из них выполняла свою роль – анализ источника, переписывание, проверка и визуальная интерпретация. Такой подход позволяет сохранить прозрачность процесса и ясно показать, как именно технологии участвовали в создании материала.

1.
Claude Sonnet 4.6 Anthropic Анализ исходной публикации и написание текста Нейросеть изучает оригинальный материал и формирует связный текст

1. Анализ исходной публикации и написание текста

Нейросеть изучает оригинальный материал и формирует связный текст

Claude Sonnet 4.6 Anthropic
2.
Gemini 2.5 Flash Google DeepMind Проверка и правка текста Исправление ошибок, неточностей и спорных формулировок

2. Проверка и правка текста

Исправление ошибок, неточностей и спорных формулировок

Gemini 2.5 Flash Google DeepMind
3.
DeepSeek-V3.2 DeepSeek Подготовка описания для иллюстрации Генерация текстового промпта для визуальной модели

3. Подготовка описания для иллюстрации

Генерация текстового промпта для визуальной модели

DeepSeek-V3.2 DeepSeek
4.
FLUX.2 Pro Black Forest Labs Создание иллюстрации Генерация изображения по подготовленному промпту

4. Создание иллюстрации

Генерация изображения по подготовленному промпту

FLUX.2 Pro Black Forest Labs

Хотите знать о новых
экспериментах первыми?

Подписывайтесь на наш Telegram-канал – там мы делимся всем самым
свежим и интересным из мира NeuraBooks.

Подписаться