उत्तरप्रकाशित17 स्रोत
AI एजेंट स्किल्स और iOS ऐप्स में क्रेडेंशियल लीक का बड़ा खतरा
शोधकर्ताओं ने 17,022 एजेंट स्किल्स में 520 प्रभावित स्किल्स और 1,708 सुरक्षा समस्याएं पाईं; 444 iOS ऐप्स में से 282 में LLM credentials या backend access उजागर हुआ। एजेंट स्किल्स के प्रभावित मामलों में 89.6% को बिना विशेष अधिकारों के तुरंत इस्तेमाल योग्य बताया गया। Debug logging, असुरक्षित कोड और prompt based निर्दे...
प्रकाशितकर्ताGPT-5.6 Luna से संपादितGPT Image 1.5 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- शोधकर्ताओं ने 17,022 एजेंट स्किल्स में 520 प्रभावित स्किल्स और 1,708 सुरक्षा समस्याएं पाईं; 444 iOS ऐप्स में से 282 में LLM credentials या backend access उजागर हुआ।
- एजेंट स्किल्स के प्रभावित मामलों में 89.6% को बिना विशेष अधिकारों के तुरंत इस्तेमाल योग्य बताया गया। Debug logging, असुरक्षित कोड और prompt based निर्देश प्रमुख leakage paths रहे।
- शोध security by design पर जोर देता है—provider keys को server पर रखना, least privilege access, secret scanning, redacted logs और बेहतर marketplace review इसके अहम हिस्से हैं।
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: What did a Wake Forest University study of AI-agent skills and iOS applications reveal about credential leakage—including the number of skil. Article summary: Wake Forest researchers found that credential leakage is widespread in both third-party AI-agent skills and LLM-enabled iOS apps—and that most leaked credentials can be abused immediately. The studies point to insecure d. Topic tags: general, education, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Wake Forest University के शोध से AI की दो तेजी से बढ़ती दुनियाओं—reusable agent skills और LLM-सक्षम मोबाइल ऐप्स—में एक साझा कमजोरी सामने आती है: credentials अक्सर ऐसी जगह पहुंच जाते हैं, जहां AI एजेंट, ऐप या हमलावर उन्हें हासिल कर सकते हैं। एक अध्ययन में SkillsMP से चुनी गई 17,022 third-party agent skills में 520 प्रभावित स्किल्स और 1,708 सुरक्षा समस्याएं मिलीं। संबंधित iOS अध्ययन में जांचे गए 444 LLM-सक्षम ऐप्स में से 282 ने credentials या backend access mechanisms उजागर किए। 1
2
4
जोखिम केवल किसी leaked API key या token तक सीमित नहीं है। ऐसा credential हमलावर को निजी डेटा, agent capabilities या developer के अकाउंट पर चलने वाली paid model inference तक पहुंच दे सकता है।
Agent skills की जांच में क्या मिला
शोधकर्ताओं ने SkillsMP पर मौजूद 170,226 artifacts में से 17,022 skills का चयन किया। उन्होंने static secret detection, mock credentials के साथ dynamic sandbox testing और skill के बताए गए उद्देश्य की उसके runtime behavior से तुलना—इन तीनों तरीकों का इस्तेमाल किया। 3
4
विश्लेषण में सामने आया:
- 520 प्रभावित स्किल्स, जिनमें 1,708 सुरक्षा समस्याएं थीं। ये समस्याएं 10 credential-leakage patterns में बांटी गईं।
4
16
- प्रभावित 520 स्किल्स में से 466 ने ऐसे credentials उजागर किए, जिन्हें विशेष या ऊंचे अधिकारों के बिना इस्तेमाल किया जा सकता था। शोध में इसकी 89.6% immediate-exploitability rate बताई गई।
1
- 76.3% leakage cases को समझने के लिए skill के natural-language instructions और code—दोनों की जांच जरूरी थी।
- 3.1% मामलों में executable code के बिना केवल natural-language prompt injection शामिल था।
इसका मतलब है कि केवल code review पर निर्भर रहना पर्याप्त नहीं हो सकता। कोई skill ऊपर से वैध काम करने का दावा कर सकती है, लेकिन उसके निर्देश या supporting scripts execution के दौरान secrets उजागर कर सकते हैं।
Debug output secrets को model-readable बना सकता है
Debug logging leakage का खास तौर पर अहम रास्ता निकला। जिन agent frameworks में standard output को model context में भेजा जाता है, वहां print या console.log से छपा credential मॉडल के लिए उपलब्ध हो सकता है। ऐसे credential को कभी-कभी सामान्य natural-language request के जरिए भी हासिल किया जा सकता है। अध्ययन के सार के अनुसार, debug logging प्रमुख vector था और stdout के जरिए LLMs तक पहुंचने वाले output exposure ने 73.5% leaks में भूमिका निभाई। 4
जोखिम सिर्फ hardcoded API keys का नहीं है। Scripts, environment handling, logs, prompt instructions या code और language के संयोजन से भी credentials उजागर हो सकते हैं—कई बार केवल सामान्य execution के दौरान।
समस्या में जानबूझकर और अनजाने—दोनों तरह की गलतियां
शोध credential leakage के दो व्यापक कारण बताता है:
- Malicious development: developer जानबूझकर ऐसे instructions या payloads शामिल करता है, जिनका उद्देश्य credentials या private data इकट्ठा करना और संभवतः उन्हें remote server पर भेजना होता है।
- Negligent development: developer secure practices का पालन नहीं करता और अनजाने में credentials या access paths हमलावरों के लिए उपलब्ध छोड़ देता है।
इस अंतर का remediation पर सीधा असर पड़ता है। Malicious content की screening और removal जरूरी है, जबकि accidental exposure से निपटने के लिए बेहतर secret management, सुरक्षित logging, authentication controls और distribution से पहले testing की जरूरत होती है।
शोधकर्ताओं द्वारा SkillsMP को सूचना दिए जाने के बाद Wake Forest ने कहा कि पहचानी गई सभी malicious skills हटा दी गईं और ज्यादातर vulnerable skills को ठीक कर दिया गया। हालांकि, अध्ययन चेतावनी देता है कि मूल repository साफ कर देना पर्याप्त नहीं हो सकता: fork की गई copies में exposed credentials तब भी मौजूद रह सकते हैं, जब source repository ठीक कर दी गई हो। 1
4
iOS ऐप्स में LLM अकाउंट hijacking का अलग रास्ता
संबंधित iOS अध्ययन में LLM features वाले 444 ऐप्स की जांच की गई। इनमें से 282 ऐप्स—लगभग 64%—ने network traffic के दौरान ऐसे exploitable LLM credentials या backend access mechanisms उजागर किए, जिनका दुरुपयोग किया जा सकता था। 2
5
उजागर होने के प्रमुख तरीके थे:
- Replay किए जा सकने वाले JWT-based tokens: 48%
- Unauthenticated backend proxies: 33%
- Plaintext API-key transmission: 19%
3
ऐसे जोखिम सामान्य ऐप इस्तेमाल के दौरान भी दिखाई दे सकते हैं। कोई हमलावर key capture कर, token दोबारा इस्तेमाल कर या खुले proxy का पता लगाकर developer के LLM अकाउंट के जरिए requests भेज सकता है। इससे paid inference की खपत, जुड़े cloud resources का दुरुपयोग या unauthorized usage charges हो सकते हैं। 2
5
उपलब्ध evidence गंभीर या संभावित रूप से अनियंत्रित billing exposure की आशंका को समर्थन देता है। लेकिन इससे स्वतंत्र रूप से “सैकड़ों हजार डॉलर” के किसी खास नुकसान की पुष्टि नहीं होती। अधिक सटीक निष्कर्ष यह है कि account limits और intrusion की अवधि के आधार पर leaked access से बहुत बड़े billable LLM usage की संभावना बन सकती है।
Vulnerability ठीक करने की गति भी धीमी रही। Responsible disclosure के तीन महीने बाद केवल 28% प्रभावित iOS ऐप्स ने reported vulnerability को ठीक किया था, जबकि follow-up में 72% ऐप्स exploitable बने हुए थे। 3
11
AI-assisted development के दौर में ये निष्कर्ष क्यों अहम हैं
दोनों अध्ययनों से पता चलता है कि किसी ऐप में AI feature जोड़ना या reusable agent skill install करना उसके attack surface को बढ़ा सकता है। नए जोखिमों में शामिल हैं:
- Client apps या agent contexts में embedded provider keys
- ऐसी privileged tools, जो files, services या निजी data तक पहुंच रखती हों
- ऐसे logs, जो अनजाने में model के readable context का हिस्सा बन जाएं
- अपर्याप्त authentication वाले backend endpoints
- Replay किए जा सकने वाले tokens
- Developer के अकाउंट पर हमलावर द्वारा पैदा किए गए LLM usage charges
AI-assisted “vibe coding” के बढ़ते चलन के बीच यह चिंता और महत्वपूर्ण हो जाती है। तेजी से code generate और integrate करना threat modeling का विकल्प नहीं है। Authentication, secret handling, authorization, logging और dependency review पर अब भी सोच-समझकर engineering करनी होगी। Agent-skills अध्ययन में hardcoded-credential मामलों के 72% में AI-assisted development के संकेत मिले। इससे पता चलता है कि generated या तेजी से assembled code में असुरक्षित patterns बड़े पैमाने पर फैल सकते हैं। 4
Security-by-design के लिए जरूरी कदम
इन निष्कर्षों के आधार पर AI products बनाने या agent skills distribute करने वाली teams के लिए एक व्यावहारिक baseline यह हो सकता है:
- Long-lived provider keys को client devices और model contexts से दूर रखें। Sensitive model calls को authenticated server के जरिए route करें।
- Short-lived और narrowly scoped credentials इस्तेमाल करें। Least privilege लागू करें और tokens को validate करें; केवल token का होना authorization के लिए पर्याप्त न मानें।
- Logs और standard output से secrets redact करें। Agent context में भेजी गई किसी भी चीज को संभावित रूप से model या user द्वारा recoverable मानें।
- Code, configuration, prompts और dependencies को secrets के लिए scan करें। Agent-skills के निष्कर्ष बताते हैं कि natural-language instructions और executable code की संयुक्त समीक्षा जरूरी है।
- Network traffic और backend authorization test करें। सुनिश्चित करें कि intercepted request को दोबारा इस्तेमाल या unauthenticated proxy के जरिए redirect न किया जा सके।
- Exposed credentials rotate करें और forks व copies की जांच करें। मूल repository से secret हटाने का मतलब यह नहीं कि हर distributed version भी साफ हो गया है।
- Distribution से पहले platform-level review जोड़ें। Marketplace screening, developer guidance, responsible disclosure और automated checks, individual developer awareness के साथ मिलकर बेहतर सुरक्षा दे सकते हैं।
केंद्रीय सबक सीधा है: AI security को product ship होने के बाद जोड़ा जाने वाला feature नहीं माना जा सकता। Credentials, agent permissions, model context और billing controls को शुरुआत से ही product security के मूल हिस्सों की तरह design करना होगा।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"AI एजेंट स्किल्स और iOS ऐप्स में क्रेडेंशियल लीक का बड़ा खतरा" का संक्षिप्त उत्तर क्या है?
शोधकर्ताओं ने 17,022 एजेंट स्किल्स में 520 प्रभावित स्किल्स और 1,708 सुरक्षा समस्याएं पाईं; 444 iOS ऐप्स में से 282 में LLM credentials या backend access उजागर हुआ।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
शोधकर्ताओं ने 17,022 एजेंट स्किल्स में 520 प्रभावित स्किल्स और 1,708 सुरक्षा समस्याएं पाईं; 444 iOS ऐप्स में से 282 में LLM credentials या backend access उजागर हुआ। एजेंट स्किल्स के प्रभावित मामलों में 89.6% को बिना विशेष अधिकारों के तुरंत इस्तेमाल योग्य बताया गया। Debug logging, असुरक्षित कोड और prompt based निर्देश प्रमुख leakage paths रहे।
मुझे अभ्यास में आगे क्या करना चाहिए?
शोध security by design पर जोर देता है—provider keys को server पर रखना, least privilege access, secret scanning, redacted logs और बेहतर marketplace review इसके अहम हिस्से हैं।