引言
在构建和部署智能体（Agentic AI）的浪潮中，我们往往被其强大的自动化能力所吸引。然而，当 AI 生成的文本跨越了"数据"与"可执行动作"的边界时，风险的性质就发生了根本性的变化。这正是 OWASP Top 10 for Agentic Applications 2026 中 ASI05: Unexpected Code Execution (Unexpected RCE) 所关注的核心问题。
对于开发者和安全工作者而言，理解这一风险与传统安全模型中 RCE 的本质区别，掌握其工作原理、实际危害以及防御架构，是构建安全智能体系统的必修课。
一、 核心概念：从"文本处理"到"代码执行"的越界
在传统的 AI 交互中，系统主要处理的是文本。但智能体系统的出现打破了这一界限。当 AI 生成的输出变成了 Shell 命令、SQL 查询、Python 脚本或可运行的代码时，一个"解释"步骤就变成了"执行"步骤。
ASI05 的本质是数据到代码（Data-to-Code）边界的失效。 当不可信的输入（如用户提示词、上传的文件内容、网页数据）被系统错误地当作可执行逻辑来处理，而不是保持其惰性数据的状态时，危险就发生了。攻击者利用代码生成功能或嵌入的工具访问权限，将动作升级为远程代码执行（RCE）、本地滥用或内部系统利用。
这种风险之所以容易被忽视，是因为生成的代码看起来往往像是普通的自动化操作，且最危险的时刻往往距离看似无害的文本仅有几个字符之遥。
⚠️ 关键区别：ASI05 与传统非 AI 应用中的 RCE
很多人会问：智能体生成代码执行，和传统的远程代码执行（RCE）漏洞有什么区别？虽然最终的结果可能都是主机被控或数据被毁，但攻击的入口、信任模型和防御逻辑有着本质的不同。
我们可以通过以下表格清晰地对比两者的差异：
| 对比维度 | 传统非 AI 应用 RCE | OWASP Agentic ASI05 (Unexpected Code Execution) |
|---|---|---|
| 漏洞来源 | 预写在代码中的静态缺陷（如未过滤的输入、反序列化漏洞） | AI 在运行时实时生成的执行逻辑（如生成的 SQL、脚本）越界 |
| 攻击入口 | 攻击者构造并发送恶意 Payload（如特殊字符、恶意序列化数据） | 正常的用户提示词、合法业务请求、或上传的看似正常的文件（如 CSV 备注字段） |
| 信任模型 | 不信任外部输入，信任系统内部代码。攻击者是在"钻"代码的空子 | 过度信任 AI 生成的"中间产物"（如直接执行生成的脚本），AI 成为新的不可信边界 |
| 触发机制 | 显式的恶意请求，通常具有明显的攻击特征 | 隐式的逻辑泛化或幻觉。AI 可能"好心办坏事"，在正常执行任务时悄悄扩大执行范围 |
| 防御重心 | 修补代码漏洞、输入过滤（WAF）、参数化查询 | 执行边界纪律：静态分析、沙箱隔离、Dry Run 试运行、人工审批（D1-D6 架构） |
| 典型场景 | Log4j 漏洞、Struts2 命令注入 | 自愈 DevOps 智能体删库、临床 AI 越权查询患者数据、CSV 文件注入后门 |
核心差异总结： 传统 RCE 防的是"坏人发坏包"，而 ASI05 防的是"AI 好心办坏事"或"AI 被诱导生成危险逻辑"。在 ASI05 中，系统本身可能是按设计正常运行的，但 AI 在将自然语言转化为执行逻辑时，由于缺乏边界约束，自己"创造"出了一个危险的执行路径。
二、 真实场景：当"自动化"变成"破坏力"
为了更好地理解 ASI05 的工作原理，我们来看三个典型的实际场景。在这些场景中，系统都在正常工作，目标也没有改变，但执行路径却悄然越界。
场景一：自愈 DevOps 智能体的"清理灾难"
一个生产服务器报告磁盘空间即将耗尽。一个自愈 AI 智能体检测到问题，并生成了一个清理脚本。脚本运行"成功"，磁盘使用率下降，监控面板恢复绿色。所有人都以为系统自愈了。
然而三天后，运维团队发现最近的生产备份消失了，72 小时的恢复数据不翼而飞。清理确实成功了，基础设施也存活了，但组织从故障中恢复的能力被悄悄摧毁了。
失败在哪里？
智能体的目标仅仅是"清理临时文件，释放空间"，但在生成脚本时，逻辑中隐藏了一个危险的假设：它没有只清理一个目录，而是将清理操作泛化到了文件系统的更大部分。在脚本生成前，执行计划是"只清理 /var/builds"；生成后，计划却变成了"删除主机上的备份文件"。系统没有沙箱、没有策略验证、没有人工审批、没有试运行（Dry Run），生成的命令直接获得了生产环境的执行权限。
场景二：临床 AI 的"越权查询"
一位临床医生提交了一个常规的药物相互作用检查请求（二甲双胍和氯吡格雷）。工作流成功完成，屏幕上显示了临床结果。但与此同时，通过生成该结果的数据库查询，50,000 份患者记录被暴露了。
这里没有攻击者输入的 SQL，也没有利用数据库漏洞。问题出在临床 AI 在将自然语言转换为 SQL 的过程中，生成了一个不安全的查询。
失败在哪里？
系统接收到的是临床问题，但在语言到查询的转换过程中，生成的 SQL 开始是合法的 SELECT 语句，随后却悄悄扩展为 UNION SELECT * FROM patient_records。一个药物相互作用查询，为什么要触碰患者记录表？系统从未过问。由于缺乏参数化查询强制和执行的边界，数据库完全按照生成的 SQL 执行，可见的任务成功了，隐藏的执行却造成了破坏。
场景三：库存报表中的"隐形后门"
一份每周库存盘点文件被上传，分析报告准确生成，仓库面板保持绿色。但就在同一时刻，攻击者获得了零售运营服务器的持久 Shell 访问权限。定价数据库、供应商合同、客户数据全部暴露，直到 11 天后才被发现。
CSV 文件看起来完全正常，分析报告也准确无误，但其中一个自由文本的"备注"字段变成了可执行的 Python 代码。
失败在哪里？
智能体在解析文件时，将普通的备注文本在脚本生成阶段当作了可执行代码。由于缺乏输入清理、静态分析和沙箱限制，且系统拥有 subprocess 访问权限，生成的脚本在生成报表的同时，在服务器上打开了一个持久的 Shell。分析平台没有被直接攻击，但智能体将上传的数据转换成了可执行代码，且没有任何机制阻止它。
三、 防御架构：构建受控的执行路径
面对 ASI05，最强烈的防御并不是"永远不让智能体写代码"，因为代码生成和自动化是智能体的核心价值。真正的防御在于分类优先、二次分析、限制运行时行为、预览破坏性影响，并在跨越最终执行边界前要求审批。
我们可以通过以下六个关键层（D1-D6）来构建防御体系：
D1：输入分类 (Input Classification)
一切输入皆为数据，除非被证明不是。 这是第一道屏障。在生成草稿之前，系统应尽早标记 Shell 元字符、SQL 终止符、子进程标记和可疑的插值片段。它们必须被剥离、隔离或沙箱化，确保原始输入不会过早地变成可执行内容。
D2：静态分析 (Static Analysis)
在运行时投票之前检查草稿。 静态分析意味着在不执行脚本或查询的情况下对其进行检查。系统需要寻找广泛的删除范围、原始汇编、危险的子进程调用以及超出范围的网络行为。在脚本仍然只是一个"提案"时，就拒绝危险的清理脚本，防止它触碰主机、数据库或网络。
D3：沙箱执行 (Sandbox Execution)
限制任何进入运行时的事物。 即使有风险片段溜过了前面的检查，运行时也必须被严格限制。主机受到保护，数据库和网络的访问范围受限。架构不能把所有赌注都押在完美的分析上，还必须通过沙箱限制爆炸半径。
D4：影响预览 (Dry Run)
在任何实际更改发生前预览影响。 试运行回答诸如"哪些文件会更改？""哪些行会更新？""哪个端点会被访问？"等问题。如果预览与批准的任务不匹配，工作流将在副作用变为现实之前停止。这让人或策略引擎能看到真实的后果，而不仅仅是代码文本。
D5：破坏性操作审批 (Human Approval)
将破坏性代码路径置于审批之后。 删除、生产写入、外部发送------这些操作不能仅凭模型判断就上线。这是架构保护代码路径最高爆炸半径边缘的地方。如果没有这一层，从生成代码到实际破坏性动作的最后一步就会变得过于自动化。
D6：强可观测性 (Strong Observability)
记录摄入的内容、草稿、分析结果、沙箱事件、试运行输出和审批路径。这就是被防御的代码边界------有用、足够快，且不再能被随意执行。
四、 给开发者的具体缓解指南
除了上述架构层面的设计，OWASP 还提供了具体的操作指南：
-
遵循输出处理规范：严格执行输入验证和输出编码，以净化智能体生成的代码。
-
隔离生产环境：阻止智能体直接连接生产系统，将"氛围编程（Vibe Coding）"系统置于预生产检查之下，包括安全评估和对抗性单元测试。
-
禁止
eval：在生产智能体中禁止使用eval，要求使用安全的解释器和对生成代码的污点追踪。 -
执行环境安全：永远不要以 root 身份运行。在沙箱容器中运行代码，严格限制网络访问，拦截已知漏洞的包，并限制文件系统访问到专用的工作目录。
-
架构与设计：按会话隔离环境并设定权限边界；应用最小权限原则；默认安全失败；将代码生成与执行分离，设置验证关卡。
-
访问控制与审批：对高权限运行要求人工审批；对自动执行维护一个受版本控制的允许列表；执行基于角色和操作的 controls。
-
代码分析与监控：执行前进行静态扫描；启用运行时监控；监视提示注入模式；记录和审计所有生成与运行过程。
结语
ASI05 提醒我们，在智能体系统中，语言与执行之间的距离比我们想象的要近得多。与传统非 AI 环境下的 RCE 相比，ASI05 不再仅仅是防范外部攻击者的恶意注入，更是要防范 AI 自身在生成逻辑时跨越边界。
一个看似无害的文本字段、一个合理的自动化请求，如果缺乏严格的边界纪律，都可能演变成摧毁生产数据、泄露隐私或开放后门的执行路径。对于开发者而言，构建智能体不仅要关注它"能做什么"，更要关注它"在哪里停下"。通过实施 D1-D6 的纵深防御策略，我们可以在享受 AI 自动化带来的效率的同时，确保系统的安全边界坚不可摧。