OpenClaw 暴露面分析：当火爆的 AI 代理框架成为攻击者的“肥肉”

优质文章学习记录

— 7 min read
OpenClaw 暴露面分析：当火爆的 AI 代理框架成为攻击者的“肥肉”

OpenClaw 暴露面分析：当火爆的 AI 代理框架成为攻击者的“肥肉”

从 25 万公开实例看 AI 服务的安全底线

1. 引言

2026 年初，一个名为 OpenClaw 的开源 AI 代理框架在 GitHub 上异军突起，星标增长速度一度超越 React，成为开发者圈内炙手可热的项目。它让用户能够快速搭建高度可定制的私人 AI 助手，支持微信、企业微信、腾讯云、百度等中国生态服务，也兼容主流国际平台。

然而，火爆的背后隐藏着巨大的安全危机：大量用户直接将 OpenClaw 实例部署在公网，未启用任何认证措施，导致这些“AI 代理”成为公开可访问的端点。更可怕的是，一个名为 OpenClaw Watchboard 的监控网站正在实时追踪这些暴露的实例，数量高达 25.8 万，并标记了其中存在凭证泄露、已知漏洞、甚至与 APT 团伙关联的实例。

作为一名既热爱 AI 技术又从事网络安全工作的工程师，我第一时间分析了这份暴露面数据。本文将深入解读 OpenClaw 的架构、暴露风险、Watchboard 的威胁情报，并为部署者提供切实可行的加固方案。

2. OpenClaw 是什么？

OpenClaw（原 Clawdbot）是一个用 TypeScript 开发的开源 AI 代理框架。它的核心能力包括：

  • 多平台集成：深度适配微信、企业微信、钉钉、飞书、Slack、Discord 等。
  • 多代理协作：支持多个 AI 代理分工协作完成任务。
  • 任务自动化：可调用外部工具（搜索引擎、API、数据库）执行复杂工作流。
  • 中国生态友好：内置对腾讯云、百度 AI、阿里云等服务的调用支持。

正是这种“即插即用”的便捷性，使得许多开发者和企业快速部署了 OpenClaw，却忽略了最基本的安全配置——访问控制。

3. 暴露风险：为什么 25 万实例“裸奔”？

从 Watchboard 的数据看，大部分暴露的实例直接使用 IP 地址或未加保护的域名，默认不启用认证。攻击者一旦发现这些端点，可以：

  • 直接调用 AI 代理功能：窃取对话历史、滥用代理调用内部系统。
  • 利用凭证泄露：Watchboard 中标记了部分实例“has_leaked_creds”，意味着环境变量或配置文件中包含云服务密钥、数据库密码等敏感信息。
  • 植入恶意指令：通过未授权接口让 AI 代理执行危险操作，如发送钓鱼邮件、删除数据。
  • 作为跳板进入内网：如果实例部署在企业内部网络并暴露，攻击者可借此横向移动。
在这里插入图片描述

更令人担忧的是，Watchboard 关联了威胁情报，显示某些实例与 APT15、APT17、APT28 等已知威胁行为者有关。这可能意味着攻击者已经在利用这些暴露的实例进行攻击活动。

4. OpenClaw Watchboard 深度解析

Watchboard 网站（openclaw.allegro.earth）本质上是一个公共威胁情报仪表盘，实时监控全球所有公开可达的 OpenClaw 实例。主要功能包括：

  • 实时列表：分页展示 258,305 个实例（数据截至 2026 年 5 月 3 日），每页 100 条，共 2584 页。
  • 关键字段：
    • Endpoint：实例地址（IP:端口或域名）
    • Assistant Name：助手名称（可能泄露用途）
    • Country：国家/地区（使用旗帜标识）
    • auth_required：是否要求认证（大量为 false）
    • has_leaked_creds：是否发现泄露的凭证
    • ASN / 组织 / 云服务商：如腾讯云、阿里云、AWS、SberCloud 等
    • first_seen / last_seen：首次和最后发现时间
    • 威胁情报：关联的 APT 组织、CVE 漏洞列表

4.1 地理与云服务分布

根据示例数据，暴露实例主要集中在中国大陆、香港、俄罗斯、美国、新加坡等地。云服务商方面，腾讯云、阿里云、AWS 占据前列。这反映出 OpenClaw 在中国开发者中的流行程度，也意味着国内云用户需要特别关注自身资产。

4.2 威胁标记

部分实例被标记为“has_leaked_creds”或关联 APT 组织。例如，某些 IP 同时出现在已知恶意活动中，可能已经被入侵并作为 C2 节点。Watchboard 还会列出相关 CVE 编号，提示实例可能存在的漏洞版本。

5. 数据分析：暴露背后的安全隐患

我随机抽取了 Watchboard 的部分公开数据（仅从截图可见）进行分析，发现几个典型问题：

  • 认证缺失率极高：大多数实例未启用认证，任何人都可以访问。
  • 凭证泄露普遍：少量实例已标记泄露，实际比例可能更高。
  • 云厂商成为“重灾区”：主流云平台由于用户基数大，暴露实例数量多，但并非云厂商自身漏洞，而是用户配置不当。
  • 老旧版本仍在线：部分实例可能运行存在已知漏洞的版本，给攻击者可乘之机。

6. 安全建议：如何保护你的 OpenClaw 实例？

如果你是 OpenClaw 用户，请立即采取以下措施：

6.1 立即启用认证

OpenClaw 支持多种认证方式（API Key、OAuth、JWT）。永远不要将实例暴露在公网而不加认证。配置方法可参考官方文档或社区指南。

6.2 移除不必要的公网暴露

  • 使用内网部署，仅通过 VPN 或跳板机访问。
  • 如需对外提供服务，务必使用反向代理并强制 HTTPS，同时配置 IP 白名单。

6.3 定期更新和漏洞扫描

关注 OpenClaw 官方发布的安全更新，及时打补丁。使用漏洞扫描工具检查实例是否存在已知 CVE。

6.4 审查凭证和配置

检查所有环境变量、配置文件中是否包含敏感信息（云密钥、数据库密码等）。启用密钥管理服务，避免硬编码。

6.5 考虑使用专业安全方案

Watchboard 推荐了 Vivgrid（vivgrid.com），这是 Allegro Earth 旗下的企业级 AI 代理部署平台，提供认证、模型网关、成本跟踪、可观测性等能力。对于大规模部署，使用这类托管服务可大幅降低安全风险。

在这里插入图片描述

7. 总结与呼吁

OpenClaw 的火爆反映了 AI 代理技术的普及趋势，但安全意识的滞后让大量实例沦为“数字僵尸”。Watchboard 的出现是一记警钟：任何暴露在公网的服务都可能被自动化工具扫描并利用。作为开发者，我们不能只追求功能而忽视安全底线；作为安全工程师，我们有责任推动团队将安全左移，在部署之初就融入安全设计。

最后，无论你是 AI 爱好者还是企业 IT 人员，请务必访问 OpenClaw Watchboard 自查你的 IP 是否在列表中。如果发现自己的实例暴露，请立即修复！AI 时代，安全仍是基石。

参考资料

  • OpenClaw Watchboard：https://openclaw.allegro.earth/
  • Vivgrid 官网：https://vivgrid.com
  • 本文部分数据来源于网络公开信息，仅用于安全研究。

Read more

CLIP论文阅读

作者：LioneWang 链接：https://zhuanlan.zhihu.com/p/1996842714956841421 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。   标题 * Learning transferable visual models from natural language supervision * Clip定义是constrastive language-image pre-training * 无监督的训练范式 通过正类和负类样本的比较，看到正类就拉近，看到负类就拉远 目的 从自然语言的监督信号学习迁移性能好的模型 目的是学一个泛化性能好的特征，从而在各种数据集和任务，不需要训练，直接推理就可以获得好的效果 框架 * 对比学习预训练 * 创建label分类器，用prompt engineering的方式将文本变成句子 * 使用zero-shot进行推理 摘要 * 之前的数据集有固定的类，但是如果推理任务需要一个其他的类，这个类难道要新训练一个模型吗？ 该方法可以通过z

FPGA Transformer加速完全指南：从模型优化到硬件实现（附实战案例）

🚀 FPGA Transformer加速完全指南：从模型优化到硬件实现（附实战案例） 📚 目录导航 文章目录 * 🚀 FPGA Transformer加速完全指南：从模型优化到硬件实现（附实战案例） * 📚 目录导航 * 概述 * 第一部分：Transformer基础与FPGA加速价值定位 * 1.1 Transformer架构概览 * 1.1.1 Transformer的基本结构 * 1.1.2 Transformer的关键特性 * 1.1.3 常见的Transformer变体 * 1.2 Transformer推理的挑战 * 1.2.1 计算复杂度分析 * 1.2.2 内存访问瓶颈 * 1.2.3 非线性操作的挑战 * 1.2.4 推理延迟分析 * 1.3
Pi0机器人VLA大模型在昇腾A2平台上的测评

Pi0机器人VLA大模型在昇腾A2平台上的测评

Pi0机器人VLA大模型在昇腾A2平台上的测评文档 * 写在最前面 🌈你好呀！我是 是Yu欸🚀 感谢你的陪伴与支持~ 欢迎添加文末好友🌌 在所有感兴趣的领域扩展知识，不定期掉落福利资讯(*^▽^*) 写在最前面 版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。 随着人工智能技术的持续神户以及人形机器人产业的快速发展，算力在提升机器人运动控制精度、实时响应能力与智能化水平方面的作用日益凸显。为实现降本增效，国产化算力代替需求不断攀升，本文基于国产化适配的 Pi0机器 VLA大模型，在昇腾 Atlas 800I A2服务器上完成部署与测试，结果表明：该模型在推理性能、推理精度及功能完整性等方面，不仅实现了与英伟达同级别硬件相当的算力表现，更在部分场景下表现出更优的运行效率。 这一成果充分表明：经过深度适配的国产大模型与国产算力平台，已具备支撑高端人形机器人智能化发展的核心技术能力。国产算力在人形机器人领域的应用场景广阔，正加速迈向自主可控、高效可靠的全新阶段。 一、测评概述 1.1 测试目的 本测评旨在验证Pi0机器人视觉

Windows 10/11环境下USB-Blaster驱动安装详解

USB-Blaster驱动在Win10/Win11下的“玄学”安装？一文彻底讲透！ 你有没有遇到过这样的场景： FPGA代码写完，板子上电正常，Quartus Prime也打开了——结果点“Program”时弹出红字警告：“ No hardware available ”。 设备管理器里多了一个黄色感叹号的“未知设备”，或者干脆显示“USB-Blaster [Invalid]”。 别急，这几乎每个用Altera（现Intel FPGA）开发的人都踩过的坑。问题不在你的代码，也不在硬件，而是在那个看似简单、实则暗藏玄机的 USB-Blaster 驱动安装 。 尤其是在 Windows 10 和 Windows 11 系统下，微软对驱动签名和内核安全越来越“较真”，传统的“插上去自动识别”早已成为过去式。今天我们就来把这件事从根儿上说清楚：为什么装不上？怎么才能稳稳地装上？以及那些官方文档不会告诉你的实战技巧。 不是所有“USB下载线”