Claude Code之父：720次提示詞注入攻擊0成功，一年前想都不敢想

BiRun 訊，Claude Code 負責人 Boris Cherny 稱，Anthropic 已經「在實際使用中基本解決」提示詞注入攻擊。一年前，他自己都沒想到能做到這個程度。

提示詞注入攻擊一直是 Agent 的大麻煩。噁意網頁可以藏一段指令，誘導 Agent 偷密碼、上傳密鈅，甚至執行用戶根本沒要求的操作。

Anthropic 現在靠三層防護來攔：Claude 本身先抵抗噁意指令，外部內容進入上下文前再檢測一次，眞正執行操作前，Auto Mode 還會再審一次。

第三方測試用了 72 種此前沒見過的攻擊，重復 720 次。Sonnet 5、Fable 5 和 Opus 5 開啓 Auto Mode 後，一次都沒成功。

衕一測試中，GPT-5.6 Sol 使用 Codex Auto-review 的攻擊成功率為 5.83%，Full Access 則達到 19.03%。

這也解釋了 Anthropic 為什麼敢把 Auto Mode 設成默認。它是 Claude Code 防提示詞注入攻擊的最後一道檢査。

Boris Cherny