对于企业安全团队来说,这是一个重大转变。他们可以继续执行现有的网络策略,限制 AI 智能体触碰范围,防止数据离开已批准的边界。配合沙箱,Anthropic 还宣布了 MCP 隧道功能(目前为研究预览),让 Claude 管理型智能体能够访问公司内部网络里的私有“模型上下文协议”(Model Context Protocol)服务器,而无需将这些服务暴露在公网上 。
首批支持的托管服务商包括 Cloudflare、Daytona、Modal 和 Vercel。不过,该功能需要在 API 调用中显示添加 Beta 版标识,且目前还未覆盖 AWS 部署 。
第二个发布是一个 Claude Code 的免费安全指导插件,相当于一个实时的漏洞扫描器。从官方插件市场安装后,这个插件会介入 Claude 的写入、编辑和批量编辑操作,在修改应用前扫描代码,拦截其中的危险模式 。如果发现可疑代码,它会在同一场会话里协助 Claude 立刻修复,无需额外开启独立的安全工具,也不用记繁琐的额外命令 。
根据官方文档,这个插件利用基于正则表达式的匹配,能够抓住大约 25 种风险代码模式。涵盖的漏洞包括:GitHub Actions 工作流里的命令注入、不安全的 child_process.exec() 调用、eval() 和 new Function() 的用法、跨站脚本攻击(XSS)入口点,以及 Python 里危险的 pickle 反序列化 。它会在三个关键节点审查 Claude 的工作——每一次文件编辑、模型输出、以及提交代码时——并且审查的深度依次递增,越靠近准备发起 Pull Request 的阶段,检查就越严格 。
Anthropic 透露,在内部部署该插件后,Pull Request 中与安全有关的评论减少了 30% 到 40%。这证明它很适合作为人工审查前一道高效的轻型过滤网 。更重要的是,插件在开发过程中会自动运行,开发者无需刻意记得去手动打开它,或启动单独的扫描 。
这两个新工具并非孤立的实验。它们是 Anthropic 从 2026 年初开始,在安全领域密集加码策略的最新一环:
综合来看,这套策略试图从三个不同层次解决 AI 编码的安全问题:基础设施隔离,通过自托管沙箱确保智能体的运行不越界;代码级预防,借助插件在编写瞬间拦截危险模式;以及代码库全局审计,以 Claude Security 对整个代码库进行扫描,找出那些靠模式匹配难以发现的、依赖深层上下文的漏洞 。
对于已经将 Claude 编码工具融入开发流程的企业来说,Anthropic 传递的信号非常明确:要让 AI 驱动的开发真正起飞,AI 驱动的安全就必须从一开始就相伴而行。
对于企业安全团队来说,这是一个重大转变。他们可以继续执行现有的网络策略,限制 AI 智能体触碰范围,防止数据离开已批准的边界。配合沙箱,Anthropic 还宣布了 MCP 隧道功能(目前为研究预览),让 Claude 管理型智能体能够访问公司内部网络里的私有“模型上下文协议”(Model Context Protocol)服务器,而无需将这些服务暴露在公网上 。
首批支持的托管服务商包括 Cloudflare、Daytona、Modal 和 Vercel。不过,该功能需要在 API 调用中显示添加 Beta 版标识,且目前还未覆盖 AWS 部署 。
第二个发布是一个 Claude Code 的免费安全指导插件,相当于一个实时的漏洞扫描器。从官方插件市场安装后,这个插件会介入 Claude 的写入、编辑和批量编辑操作,在修改应用前扫描代码,拦截其中的危险模式 。如果发现可疑代码,它会在同一场会话里协助 Claude 立刻修复,无需额外开启独立的安全工具,也不用记繁琐的额外命令 。
根据官方文档,这个插件利用基于正则表达式的匹配,能够抓住大约 25 种风险代码模式。涵盖的漏洞包括:GitHub Actions 工作流里的命令注入、不安全的 child_process.exec() 调用、eval() 和 new Function() 的用法、跨站脚本攻击(XSS)入口点,以及 Python 里危险的 pickle 反序列化 。它会在三个关键节点审查 Claude 的工作——每一次文件编辑、模型输出、以及提交代码时——并且审查的深度依次递增,越靠近准备发起 Pull Request 的阶段,检查就越严格 。
Anthropic 透露,在内部部署该插件后,Pull Request 中与安全有关的评论减少了 30% 到 40%。这证明它很适合作为人工审查前一道高效的轻型过滤网 。更重要的是,插件在开发过程中会自动运行,开发者无需刻意记得去手动打开它,或启动单独的扫描 。
这两个新工具并非孤立的实验。它们是 Anthropic 从 2026 年初开始,在安全领域密集加码策略的最新一环:
综合来看,这套策略试图从三个不同层次解决 AI 编码的安全问题:基础设施隔离,通过自托管沙箱确保智能体的运行不越界;代码级预防,借助插件在编写瞬间拦截危险模式;以及代码库全局审计,以 Claude Security 对整个代码库进行扫描,找出那些靠模式匹配难以发现的、依赖深层上下文的漏洞 。
对于已经将 Claude 编码工具融入开发流程的企业来说,Anthropic 传递的信号非常明确:要让 AI 驱动的开发真正起飞,AI 驱动的安全就必须从一开始就相伴而行。