科技 · 2026-08-06 · AI 安全 · 阅读 10

Rovo 关掉搜索仍能把数据送出 Jira：Agent 真正危险的是出站工具

作者：韩启明｜OC 政策与安全编辑

作者

据安全公司 PromptArmor 披露，Atlassian Rovo 会读取上传文档里的隐藏提示，把它能访问的 Jira 工单和 Confluence 文档拼进攻击者控制的 URL，再调用 URL 获取工具发出请求。研究者称，即使管理员已经关闭网页搜索，演示仍然成功。

一句话结论：这次攻击的关键不是模型被“说服”，而是同一个 Agent 同时拥有内部读取权限和不受约束的网络出站能力；只关闭搜索入口，没有撤掉底层 URL 工具，就没有真正切断数据出口。

攻击从一份看似正常的“Backlog Guide”文档开始。用户把文件上传给 Rovo，请它整理 Jira 待办。隐藏指令在模型检索 Jira 和 Confluence 时进入上下文，要求它把敏感内容附加到攻击者网址的查询参数中。Rovo 随后打开这个动态生成的网址，数据便出现在远端服务器日志里。

这条链路不需要用户批准发送动作。用户后来回到对话，只能看到正常的工单整理建议，攻击痕迹不会继续显示。PromptArmor 还称，Rovo 渲染模型输出里的 Markdown 图片，也可能形成第二条自动外联通道。

不可信文档内部数据和网络工具被放进同一个Agent权限边界

“关闭 Web Search”没有生效，是最值得企业管理员注意的细节。研究者认为，这个开关阻止了搜索，却没有移除用于打开搜索结果的网址工具。对用户来说两个功能都叫“上网”；对权限系统来说，一个是发现网址，一个是向任意网址发请求，后者才是数据泄露需要控制的能力。

PromptArmor 表示，它于 5 月 23 日向 Atlassian 披露问题，Atlassian 两天后分配了案例编号，但截至 8 月 5 日没有进一步回复。OC 尚未看到 Atlassian 对攻击链的公开确认或修复说明，因此当前应把“仍可利用”视为研究者的测试结论，而不是独立验证过的生产事故。

企业不能只靠提示注入分类器解决这类风险。只要 Agent 同时处理外部文档和内部知识，注入总有漏检可能。更稳定的控制是限制出站域名、禁止模型把敏感字段放入 URL、把检索与外联拆到不同进程，并记录每一次工具调用的参数。

关键事实

攻击输入可以来自上传文件、外部工单、网页或第三方连接器
Rovo 被诱导把 Jira 与 Confluence 内容放进攻击者网址的查询参数
PromptArmor 称攻击不需要人工审批，关闭网页搜索后仍然有效
截至披露时，Atlassian 尚未公开回应研究者所述的完整攻击链

OC 判断

企业 Agent 的威胁模型不能再按“聊天机器人是否会说错话”设计。真正的控制点是数据从哪里进、工具能到哪里去，以及模型是否有权把二者连接起来。搜索开关只是产品设置，网络出站策略才是安全边界。

为什么重要

对开发者：所有可发起 HTTP 请求的工具都应采用精确域名白名单，并阻止敏感数据进入 URL。
对企业：Agent 读取 Jira、Confluence 和连接器数据后，权限应继承原用户且接受独立审计。
对用户：上传外部文件给企业 AI，可能让文件中的隐藏指令接触到用户能看的全部内部资料。

参考来源

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

你们的Codex额度提前耗完了没？戒断反应如何？

<p>我在第三天就消耗了只剩1%，忍了一天，然后今天干脆用这最后的1%，开着5.6 Sol 极高强推我一个提示词笔记本应用的功能落地。最终用时3小时，居然还是跑完了。但是现在还是出现一些戒断反应，感觉啥也做不了，就无精打采的，困。</p> <p>我做了一个Prompt Notebook，专门用来收藏或者记录自己手搓的生图提示词。带Chrome一键收藏插件。支持AI优化提示词。支持提示词中提取常用字段作为提示词百科词汇。也自带生图功能用来测提示词。但是要搭配Cloudflare R2+Worker的图床。</p> <p>今天主要是做一个AI模特的资产库。将常用的AI模特固定下来，进行身份设定，以及模特的一些角色定妆图。之后生图可以直接调用AI模特自动作为垫图。</p> <p>这是AI模特资产库的界面： <img src="/upload/thread/202608/42b5f73e-938f-45de-b74e-da69da9d72a8.webp" alt="1bb0d28b-c7dd-4327-bafa-26b60323cbed" /> 这是主界面的提示词瀑布流，支持关键词或标签搜索： <img src="/upload/thread/202608/3e15b6e7-345f-48b4-aeff-1bbd89afe9d3.webp" alt="ab998e2f-9ccc-4173-832f-223aa6c6fa81" /> 这是提示词笔记的预览界面，可以复制提示词，分享提示词，点击分享还有分享短链：（https://prompt.jintao.co.uk/share/20260806LfsmY） <img src="/upload/thread/202608/bab31972-0468-4582-b873-6309233254a6.webp" alt="20260806-201213" /> 可惜现在没额度了，我又不想换模型折腾。现在还有些界面细节和小功能需要落地完善，可能还要虫子要抓。弄好了，打算放GitHub开源。</p> <p>有朋友想试试的么？</p>

shynloc 2 4

做 AI 语音产品时，授权、撤回和审计日志应该怎么落地？

<p>最近看到越来越多关于声音授权的讨论。对开发者来说，真正麻烦的往往不是“模型能不能模仿”，而是授权如何进入系统、生成结果如何追溯，以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是，不要把“用户勾选过同意”当成一个布尔字段，而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性，例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时，可以绑定不同的授权，而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更，如果任务只查最新状态，历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id，并反向关联任务。</p> <p>我会把最小链路设计成：</p> <ol> <li>voice_asset：原始声音及版本；</li> <li>consent_grant：授权范围与证据；</li> <li>generation_job：请求参数和授权快照；</li> <li>audio_artifact：输出文件、校验值和公开状态；</li> <li>audit_event：谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后，系统至少要阻止新任务，并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除，要按照合同和产品能力区分，不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired，并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志，公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案，但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来，比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走，越觉得声音效果只是前半程，权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储，还是单独的审计系统？如果授权撤回，你们通常怎么处理已经生成并交付的音频？</p>

FlowSpeech 0 1

一个体会，Codex 这种现代 Agent，每天一个变，几天不用就有新惊喜

<p>当然我说的也包括 Claude Code，新功能日新月异，还有就是 AI 能力提升以后，可以做的东西日新月异。还有各种工作流方法日新月异。</p> <p>更好玩的是，我最近经历过很多次，你跟人介绍现在 Codex 可以做到什么样子，他们都觉得很厉害。但是你现场一演示，他们的震撼就更加完全不同了。所以，这种东西，需要大量的 Workshop 去沟通交流，光看文字很难讲清楚，直播、视频也越来越重要了。</p>

tinyfool 1 89

Rovo 关掉搜索仍能把数据送出 Jira：Agent 真正危险的是出站工具