Clawdbot大热，目前已改名OpenClaw

    近期，一款名为 Clawdbot (已改名OpenClaw)的AI工具因其可能深度操控本地电脑系统及软件而在开发者社区走红，并逐步走向公共用户。然而，AB钱包安全专家监测发现，这款被部门用户推崇为“AI小我助理”的利用，其安全底座极其脆弱。

    由于极致追求“上手即用”的履历，Clawdbot在设计上险些齐全就义了防御天堑。AB钱包网络空间测绘鹰图平台的最新数据显示，这款工具正演变为一个公网可见、、极易被控的“隐形后门”，可将大量政企用户与小我的私密数据、、系统权限推向了失控的边缘：：：截止发稿前，全球超1.5万台设备对外公开露出了接见接口，中国有近3000台。

    利用布景：：：

    便捷性催生的全球性资产露出

    Clawdbot 性质上是一个将大说话模型（LLM）与本地操作系统（如 macOS、、Linux）深度整合的代理系统。它的主题职能是将复杂的“谈天指令”转化为具体的本地操作，蕴含Shell剧本执行、、文件读写、、浏览器自动化节制等。为了方便部署，开发者往往将其运行在Mac Mini或服务器甚至小我电脑上，并开启远程网关以便随时随地挪用AI。

    然而，便捷性的另一面是巨大的安全盲区。AB钱包安全专家指出，Clawdbot的架构设计在认证逻辑与网络露出层面存在严重的缺点。为了量化这一风险，AB钱包鹰图平台进行了针对性的全球测绘。

    监测了局令人心惊：：：截至1月29日，鹰图平台在全球领域内测绘到正在使用Clawdbot的公网资产总数高达15039个。从地理散布看，美国以2153台露出设备居首，中国则以2990台露出资产位列全球第二。这意味着，全球数千台服务器正处于“中门大开”的状态，随时可能成为黑客的攻击标靶：：：

    ：：：σ：：：为了“好用”拆除防御，报答开启的公网“裸奔”风险

    Clawdbot 最直观的威胁并非来自出厂设置，而是源于用户“就义安全换取方便”的操作习惯。只管官方默认配置仅监听本地回环地址（127.0.0.1），在不经手动批改的情况下是相对安全的。然而，作为一款主打 24 小时在线的 AI 助手，很多用户为了实现手机端或异地远程挪用的顺畅履历，会依照各类网络教程，将监听地址手动改为 0.0.0.0（即允许所有外部 IP 接见）。

    AB钱包安全专家监测发现，一旦用户手动开启了全网监听，若没有同步设置复杂的身份验证，18789这个主题端口就成了黑客眼中的“中门”：：：诳蜕踔敛槐匾魏畏煜豆セ骷际，只有扫到这些IP，就能直接潜入系统，如同进入无人之境。

    进入系统后，攻击者能造成的：：：υ毯：：：

    敏感资产“一锅端”：：：利用AI Agent的系统级权限，直接窃取主机内存储的各类AI厂商API Key、、云平台接见凭证等主题资产。

    全量隐衷监控：：：实时查看用户与AI的每一句谈天纪录、、私密指令以及通过该代理传输的所有文件。

    物理世界失控：：：对于衔接了机械臂或自动化硬件的特殊用户，攻击者甚至能逾越数字空间，直接犯法操控这些物理设备。

    这种为了“好用”而报答拆除防御樊篱的行为，已经让本该是效能利器的Clawdbot沦为黑客随取随用的“在线提款机”。

    ：：：Χ：：：认证逻辑隐形盲区，反向代理下的“本地人”陷阱

    除了表层的端口露出，Clawdbot的身份验证机制存在一个更为致命的深度逻辑缺点：：：本地衔接自动信赖。Clawdbot会默认对所有来自localhost（127.0.0.1）的衔接要求予以自动授权，无需进行密码或Token校验。

    这种设计在本地单机开发时的确方便，但在出产环境部署中却产生了一个名为“本地人身份误判”的逻辑陷阱。很多进阶用户为了安全或TLS加密，会习惯性地在Clawdbot前端加挂一层Nginx或Caddy等反向代理工具。然而，Clawdbot的后端逻辑往往无法正确鉴别经由代理转发的真实起源IP，而是将其统一鉴别为来自127.0.0.1的内部受信赖流量。

    这一逻辑误差直接导致原有的身份验证机制被“降维进攻”。攻击者能够利用反向代理作为跳板，在不把握任何凭证的情况下美满绕过鉴权，获取正本属于治理员的操作权限。这种“防御反被防御伤”的荫蔽缝隙，使得即便部门用户意识到了风险并采取了防护措施，依然可能由于部署模式的不当而处于防御真空状态。

    ：：：θ：：：架构高权风险，AI 代理演变为“全权限”执行木马

    从安全审计的角度看，Clawdbot的主题风险源于其“权势过度集中”的架构设计。作为一个AI代理系统，它成立了一条从“谈天窗口”到“操作系统底层”的直达管道，赋予了AI操作Shell、、浏览器及本地文件的最高特权。

    在不足缜密沙箱隔离的前提下，这种设计带来了两类极端的安全威胁：：：

    提醒词注入（Prompt Injection）深度劫持：：：攻击者无需通过传统的网络渗入，只需向AI可能读取到的外部网页、、邮件中植入恶意提醒词。当AI Agent在自动化处置这些信息时，可能被指令“洗脑”，在后盾偷偷执行窃取SSH密钥或别传公司主题数据的作为。

    指令执行的不成预测性：：：AI在理解：：：噶钍笨赡懿蟛，在未经人为确认的情况下，可能误删系统主题文件、、批改主题网络路由。这种“交权”给AI的行为，性质上是向未经审核的第三方盛开了远程Shell接见权限。

    对于政企用户而言，员工在办公网络环境下私下部署此类工具，性质上是在正本缜密的防御系统内预埋了一个随时能够从外部引爆的高权“内鬼”。

    AI 的初衷应是赋能，而非成为引狼入室的引信。Clawdbot的案例再次证明，在享受技术盈利的同时，唯有守住安全红线，能力确保高效的“数字管家”不会演造成失控的“内鬼”。

    建议：：：从“自律”转向“管控”，政企用户须多管齐下

    针对Clawdbot露出出的安全；，AB钱包安全专家建议，政企用户必须意识到，AI时期的效能革命不能寄但愿于员工的“安全自觉”，必须通过制度约束与技术硬伎俩并重，构建起组织级的防线：：：

    成立“AI 利用准入白名单”制度

    组织应明确将Clawdbot等拥有本地系统执行能力的AI Agent纳入高风险软件审计目录。严禁员工私下由办公终端、、开发服务器及出产环境装置此类未经审核的代理工具。对于确有业务需要的使用申请，必须由安全数门进行风险评估（蕴含认证配置、、沙箱隔离情况）后方可入网。

    目前，AB钱包为宽大政企机构推出了大模型安全评估服务，它融合“实战攻防经验”与“AI安全技术创新”，打造覆盖大模型运行环境、、大模型自身安全、、大模型数据安全、、大模型内容安全、、大模型组件安全、、智能体安全等全维度的安全检测与防护能力，能够提前发现“AI小我助理”这样的过度代理，最大水平降低风险。目前已为金融、、能源、、政务等多个行业的数十家企业提供了大模型安全评估服务，有效推动了AI技术的安全合规利用。

    强化终端与网络天堑的硬性阻断

    治理人员应通过天擎EDR（终端检测响应）或终端安全软件，强制不容终端将18789（网关端口）及5353（mDNS）端口对外盛开。同时，在单元出口防火墙上，应执行针对上述特定端口的全局封禁战术，堵截从公网绕过公司鉴权系统接见内网AI代理的任何蹊径。

    常态化发展“影子 AI”盘点与监测：：：

    政企机构应利用AB钱包鹰图平台（Hunter）等外部测绘伎俩，定期对单元所属IP段进行“体检”，搜索是否存在私下露出的Clawdbot资产。这种“以外看内”的视角能援手治理者在攻击者发现缝隙之前，先行措置由于员工追求方便而产生的安全“蚁穴”。

    奉行“最小权限”与“人为二次确认”架构

    对于已获批部署的AI代理，应强制要求在隔离的容器（如Docker）内运行，且严禁赋予其Root或Administrator权限。治理层应要求在业务流程中植入“人为过问”节点，对于涉及文件删除、、敏感凭证读取等高危操作，必须强制弹窗由人为点击确认，预防因提醒词注入导致的自动化劫持。

    AI时期的“全能助理”若是不加约束，极易演变为引狼入室的后门。政企治理者唯有划定安全红线，从治理制度上阻止轻易装置，从技术伎俩上封死违规蹊径，能力确保高效的“数字管家”不会演造成失控的“内鬼”。