30 秒看懂
Chainguard 的 Patrick Smyth 认为，借助 AI 的攻击者和供应链恶意软件正在改变开源依赖的风险判断。他讨论漏洞利用与补丁之间不断缩短的时间、恶意软件包、已知漏洞、零日漏洞，以及针对 CI/CD、开发者机器和智能体工具的攻击。 Smyth 建议更快修复漏洞、设置软件包冷却期、签署产物并验证来源。他还介绍了 Chainguard 提出的容器、从源代码构建的库、联盟及加固工作流产品。
- 1漏洞利用与补丁发布时间Smyth 引用 Mandiant 关于漏洞利用与厂商补丁间隔的数据；展示的幻灯片显示，2025 年平均时间为补丁发布前 7 天。
- 2恶意软件可通过依赖传播他讨论 Shai-Hulud 以及涉及 Trivy、LiteLLM 和 Axios 的事件，作为供应链攻击示例。
- 3一条信任链组织依赖上游软件，同时对自己的用户负责，因此依赖安全是共同问题。
- 4不同的风险面他将恶意软件、已知 CVE 和零日漏洞，与 CI/CD 和智能体工具等入口分开讨论。
- 5修复目标Smyth 介绍 Chainguard 的目标：已知被利用漏洞一天、严重漏洞七天，其余漏洞十四天。
- 6签署产物并检查来源他建议使用 Sigstore、SLSA 等工具，在内部管线中签署产物并验证来源。
要点建议
- 软件使用者依赖上游组件；上游一旦受攻陷，也可能影响他们自己的客户。
- Smyth 认为，漏洞被快速利用正让传统补丁窗口承受越来越大压力。
- 软件包冷却期、加快修复和产物签名分别应对供应链问题的不同部分。
- CI/CD 管线、开发者工作站和智能体工具是额外攻击面。
- 精简镜像和从源代码构建依赖是 Smyth 介绍的方法，但它们不能消除持续安全工作的必要性。
按章节阅读整理后的全文
攻击加速与补丁窗口缩短
Smyth 介绍借助 AI 的攻击实例，并引用 Mandiant 关于漏洞利用相对于补丁发布时间的数据。
Chainguard 的 Patrick Smyth 开场介绍前沿 AI 如何改变开源软件的风险容忍度。他先举出他认为体现攻击者利用 AI 扩大行动规模的实例，并认为原本需要团队才能实现的能力可能逐渐为更小的群体所拥有。
Smyth 描述了据报道涉及 AI 辅助脚本、勒索软件及跨多个组织攻击的事件。他的总体观点是，攻击者可以使用与防御者相同的加速工具，因此软件供应链安全更加重要。
他引用 Mandiant 的 M-Trends 数据，说明漏洞利用相对厂商补丁发布的平均时间。他的幻灯片显示，追踪的漏洞在 2018—2019 年平均于补丁发布后约 63 天被利用，到 2025 年则平均在补丁发布前 7 天被利用。他提醒平均值有噪声，但认为这一趋势挑战了传统修复窗口。
典型工作流使用 Grype 或 Trivy 等工具扫描软件栈，按严重程度排列已知 CVE，再将修复工作分配给团队。Smyth 认为，攻击者快速利用已知漏洞或在补丁出现前发现未知漏洞时，30 天的修复周期可能太慢。
恶意软件与供应链信任问题
他讨论近期恶意软件事件、依赖传播，以及组织如何一边依赖上游软件、一边服务自己的用户。
他转而讨论软件供应链中的恶意软件，并举出 Shai-Hulud、Trivy、LiteLLM 和 Axios。他将 Shai-Hulud 描述为 JavaScript 生态中的蠕虫，并说受攻陷的依赖可以让攻击传播到相互连接的项目。
Smyth 表示，一次 Axios 供应链事件持续时间很短，但软件包在此期间获得了大量下载。他想强调，当其他项目依赖某个软件包时，该包被攻陷的影响会被放大。
他认为，前沿智能体既加速软件生产，也加速攻击者的工作。为了说明信任环境的变化，他引用“永恒的九月”：随着参与者变化，社区可能从高信任环境转向更具对抗性的低信任环境。
在 Smyth 看来，供应链的根本问题是一条责任链。用户依赖组织的软件，而组织又从必须评估和维护的上游来源引入组件。因此，上游遭到攻陷可能同时影响组织和其用户。
安全实践与攻击面
Smyth 建议采用冷却期、修复与签名，然后区分已知漏洞、恶意软件、零日漏洞和薄弱入口。
他的建议包括为软件包设置冷却期、加快 CVE 修复、签署产物，以及关注开发者笔记本的操作安全，包括使用物理安全密钥。他说，这些实践分别应对更加恶劣环境的不同部分。
Smyth 还鼓励团队完成容器化、CI/CD 和标准镜像等基础工作。他认为，如果缺少这些基础，其他现代化和安全工作会更困难；AI 可能帮助团队加快这一过程。
他介绍 Chainguard 是一家关注软件供应链的公司，并说其创始人参与创建了 Kubernetes、Sigstore、SLSA 和 Google Distroless 等项目。随后他区分了几个相互关联的风险面。
第一类是软件包中的恶意软件；冷却期可以减少对某些能快速发现的事件的暴露。第二类是已知漏洞：尽管许多 CVE 报告会产生噪声，Smyth 认为仍须识别并修复重要问题，因为攻击者可以把已部署软件与公开漏洞数据库进行比对。
第三类是未知漏洞或零日漏洞。Smyth 认为前沿模型会提高这一领域的重要性，因为它们可以帮助把较小的弱点串联起来。他还提醒，CI/CD 管线、开发者工作站和新兴智能体工具可能成为替代入口。
Chainguard 提出的应对方式
他介绍容器、从源代码构建的库、Athena 联盟，以及加固的 actions 和 skills。
Smyth 介绍 Chainguard 的容器：其设计目标是发布时没有已知漏洞；他还介绍从源代码构建的库，作为直接从公共软件仓库获取软件包的替代方式。这些是他介绍的公司产品，旨在降低特定供应链风险。
针对零日漏洞，他将 Athena 描述为一个联盟和信息交换中心，向参与组织分享已发现漏洞的信息。他还介绍加固的 CI/CD actions 和智能体 skills，以应对针对这些层的攻击。
Smyth 用一个明确说明是虚构的估计来解释依赖问题：运行代码中只有一小部分是组织自己的应用代码。其余大部分来自操作系统、运行时和其他应用团队无法直接控制的组件。
他说 Chainguard 构建了滚动更新的 Linux 发行版 Wolfi，快速引入上游变更，并每天重建镜像一到四次。他还强调精简镜像可以减少暴露的组件，包括潜在零日攻击面。
幻灯片上的服务等级目标是：已知被利用漏洞一天、严重漏洞七天，其余漏洞十四天。他将其与一些团队可能始终无法快速分类低严重程度问题的情况作对比。
签名、来源与加固工作流
Smyth 讨论 SLSA 与 Sigstore、从源代码重建软件包，以及保护 CI/CD 和智能体 skills。
Smyth 建议产物创建时即签名，并在下游验证签名。他称 Sigstore 可用于签名，SLSA 可用于在内部管线中附加和验证来源信息；攻击者可能针对管线中的标签、依赖或分发环节动手。
他解释 Chainguard 的库方案：取得上游源代码，在公司自己的管线中构建并分发生成的产物，同时配合扫描和修复。他将其描述为降低源代码与软件包分发之间攻击风险的一种方式。
Smyth 表示，Chainguard Actions 旨在加固 CI/CD 工作流，而其智能体 skills 产品通过确定性和智能体检查处理第三方 skills。他报告了自己对上游仓库中恶意或不安全 skills 的估计，并将其表述为个人分析的发现。
他最后邀请听众继续讨论，并介绍金融领域活动和公司资料。演讲的核心观点是，攻击加速要求团队不仅保护应用代码，也要保护依赖、构建管线和较新的智能体层。
同频道的其他文章
14:50EN → 简体中文
AI Engineer· 2026年10月29日Cole Gannaway：代码审查、跨仓库风险与 AI 软件工厂Cole Gannaway · Qodo一行重命名代码可能通过本地检查，却影响远端客户端。Qodo 的 Cole Gannaway 解释如何借助审查上下文、共享规则和独立智能体发现这些风险。
14:09EN → 简体中文AI Engineer· 2026年10月28日Taylor Luttrell-Williams：用 SonarQube Hunter Agent 发现逻辑漏洞Taylor Luttrell-Williams · SonarSonar 的 Taylor Luttrell-Williams 介绍安全智能体如何梳理代码库、调查逻辑漏洞，并将验证过的发现与常规扫描结果一起呈现。
16:29EN → 简体中文AI Engineer· 2026年10月28日Chris Vela：用 Runpod BenchPod 对 vLLM 配置做基准测试Chris Vela · RunpodRunpod 的 Chris Vela 演示如何通过仪表盘比较大语言模型服务配置，依据具体工作负载的数据选择性能设置。
18:52EN → 简体中文AI Engineer· 2026年10月28日Manish Kapur 与 Addy Osmani：如何验证 AI 软件工厂Manish Kapur, Addy Osmani · SonarSonar 的 Manish Kapur 与 Anthropic 的 Addy Osmani 讨论编码智能体加快软件变更后，如何进行代码审查、收集证据并实施分层检查。
18:35EN → 简体中文AI Engineer· 2026年10月28日Kamil Potrec：智能体认证、委托与网关控制Kamil Potrec · KeycardKeycard 的 Kamil Potrec 解释智能体为何需要独立身份、限定范围的凭证与可审计授权，以及网关能在哪些方面提供帮助。
18:56EN → 简体中文AI Engineer· 2026年10月27日John Feminella：9 亿美元的银行失误与 AI 智能体的五项控制John Feminella · Two Sigma一次付款失误说明，善意和审批提示并不足够。Feminella 介绍如何为智能体提供有用的自主权，同时设置实际控制。