实战

LiteLLM 投毒复盘:Agent 密钥泄漏风险分析

SafeDep 披露 LiteLLM 1.107.0 遭供应链入侵。本文梳理凭据窃取链、权限放大效应,以及 AI Agent 团队的止损步骤。

字号

LiteLLM 1.107.0 被曝包含凭据窃取器和后门。它影响的不只是依赖版本,而是 Agent 团队对 PyPI、环境变量和运行时权限的排查。

SafeDep 的原始分析称,这个恶意版本会安装 Credential Stealer(凭据窃取器)和 Backdoor(后门)。

先说结论:Agent 的安全边界不只在 Prompt Injection。模型输入之外,Python 依赖、模型网关、环境变量和工具权限,都可能成为攻击面。

一次 PyPI 投毒,为什么打到 Agent 凭据

LiteLLM 是一个多模型网关与代理框架。它常被放在应用和模型供应商之间,负责路由请求、管理模型配置,以及处理不同供应商的调用。

如果部署方式类似这样:

from litellm import completion

response = completion(
    model="anthropic/claude-sonnet-4-5",
    messages=[{"role": "user", "content": "Summarize this ticket"}],
    api_key=os.environ["ANTHROPIC_API_KEY"],
)

那么 LiteLLM 所在进程通常不只接触一个模型供应商的凭据。

它可能持有:

  • Anthropic、OpenAI 等模型供应商的 API key;
  • AWS、Azure 或 Google Cloud 的访问凭据;
  • 数据库、对象存储和内部服务凭据;
  • Agent 工具调用需要的内部 API token;
  • 日志、计费、监控和追踪系统的密钥。

一次 PyPI 包更新的危险,不只在“安装了一个恶意版本”。恶意代码如果运行在网关进程里,就能利用该进程已有的权限。

LiteLLM 1.107.0 的具体风险

SafeDep 报告称,LiteLLM 1.107.0 的 PyPI 包遭到供应链入侵。报告标题和摘要明确指出,该版本被证实会安装 Credential Stealer 与 Backdoor。

这里要区分两件事:

  1. 供应链入侵:攻击者进入了真实的包发布或分发链路;
  2. 恶意功能落地:安装后,代码包含凭据窃取器和后门能力。

这和普通的 typo-squatting 不一样。

typo-squatting 通常是仿冒包名,例如把 litellm 拼错,诱导用户安装。攻击者利用的是用户输入错误。

这次风险更接近“原包被替换”或“发布流程被控制”。依赖名没写错,项目也确实使用 LiteLLM,但特定版本更新后,包本身发生了变化。

对工程团队来说,默认安全假设需要改变:

包名正确 ≠ 版本安全
锁文件存在 ≠ 所有包都可信
CI 安装成功 ≠ 生产环境没有执行恶意逻辑

尤其要注意 postinstall、构建脚本和动态安装逻辑。恶意代码不一定只在业务代码被调用时执行。它可能在安装、进程启动或模块导入阶段运行。

原始安全分析:https://safedep.io/litellm-pypi-compromise-credential-stealer-backdoor/

最危险的不是安装,而是拿到密钥

Credential Stealer 和 Backdoor 是两个不同层次的风险。

凭据窃取器解决的是“拿到什么”:

  • 环境变量;
  • 云服务配置;
  • 本地凭据文件;
  • 进程中的 token;
  • 代理服务使用的 API key。

后门解决的是“以后怎么回来”:

  • 保留再次访问系统的入口;
  • 等待后续命令;
  • 在特定条件下恢复执行;
  • 让短期修复无法彻底清除风险。

两者组合后,攻击可能从一次性数据窃取变成持续性风险。

对普通应用来说,泄漏一个聊天 API key,影响可能是账单和请求额度。对 AI Agent 来说,影响往往更大。

Agent 不只是“生成一段文字”。如果它具备工具调用能力,可能执行:

  • 读取代码仓库;
  • 修改文件和提交变更;
  • 查询内部数据库;
  • 调用工单、CRM 或邮件系统;
  • 部署服务;
  • 发起支付或云资源操作。

一旦模型网关或 Agent runtime 拿到高权限密钥,Prompt Injection 只是后续利用方式之一。攻击者甚至不必先骗模型点开链接。恶意代码可以直接读取凭据,或者伪造后续调用。

真正需要关注的是这条权限链:

恶意 PyPI 包
    ↓
Agent runtime / LiteLLM 进程
    ↓
环境变量、配置文件、云凭据
    ↓
内部 API、代码仓库、生产系统

给 AI 工程团队的三条止损线

1. 锁版本,也锁 hash

不要只写一个版本范围:

[project]
dependencies = [
  "litellm>=1.100.0",
]

这种写法会让每次构建都有机会解析到不同版本。对生产 Agent 来说,不够。

应该固定版本,并通过 lockfile 记录完整依赖。安装时还可以校验 hash:

python -m pip install --require-hashes -r requirements.txt

CI 中应保存并审查:

  • requirements.txt 的精确版本;
  • poetry.lock、uv.lock 或 pip-tools 生成的锁定文件;
  • 包文件的 hash;
  • pip list、pipdeptree 或 uv pip tree 的依赖树;
  • 构建和安装阶段实际执行的脚本。

对于已经暴露在事件窗口内的版本,不要只升级后继续使用。先确认恶意版本是否执行过,再判断哪些凭据需要轮换。

2. 轮换环境里出现过的密钥

如果 1.107.0 曾经进入开发机、CI runner、容器镜像或生产环境,默认应按“相关凭据可能暴露”处理。

至少检查:

  • 模型供应商 API key;
  • 云平台 access key;
  • 数据库密码和连接串;
  • GitHub、GitLab、GitHub Actions 等代码平台 token;
  • Slack、邮件、监控和日志服务 token;
  • Agent 可调用的内部服务凭据。

轮换不是简单生成一个新 key。新旧 key 要并行切换,确认旧 key 已失效,并检查异常调用记录。

还要检查权限。一个只用于调用 Claude 的 key,不应该同时拥有读取代码仓库或部署生产服务的权限。

3. 隔离部署凭据

模型网关应该尽量运行在独立的最小权限环境中。

可以按这几层拆分:

Agent API 服务
  └─ 只持有短期 Agent token

LiteLLM 网关
  └─ 只持有必要的模型供应商 key

部署与云控制面
  └─ 不进入 Agent 容器

具体做法包括:

  • 使用容器或虚拟机隔离运行环境;
  • 禁止 Agent runtime 读取云平台控制面凭据;
  • 使用短期 token,并设置自动过期;
  • 对工具调用设置 allowlist;
  • 限制网关出站网络;
  • 把生产部署放到独立 CI/CD 身份中;
  • 禁止默认读取 ~/.aws、~/.ssh、~/.config 等敏感目录;
  • 在执行外部输入前再次检查权限。

从 CI 到生产,可以用这份清单排查:

[ ] 是否安装过 LiteLLM 1.107.0?
[ ] 是否解析过未锁定的依赖?
[ ] 是否存在 postinstall 或动态下载行为?
[ ] 是否检查过构建镜像和缓存?
[ ] 是否轮换过模型、云平台和内部 API 凭据?
[ ] Agent runtime 是否持有不必要的生产权限?
[ ] 是否检查了异常 token 使用和出站连接?

如果团队使用 LangGraph、MCP 或自定义工具层,还要把每一层纳入排查。网关只是依赖链的一环。

编辑思考

这次事件的重要性,不在于 LiteLLM 是否会被永久“毒化”。它提醒 Agent 团队:安全边界已经从模型回答延伸到运行时。一个 Python 包更新,可能同时接触模型 key、云凭据和内部 API 权限。这与过去的 Prompt Injection 不同。后者通常从模型输入开始,需要诱导模型;供应链攻击则可能直接发生在代码和权限层,不必先说服模型。

我的判断是,Agent 团队会把“最小权限”看得比 Prompt Injection 更基础。模型和工具当然要审,但如果一个网关进程握着几十个长期密钥,任何依赖投毒都会被放大。

目前仍有未知点:恶意代码在什么条件下收集了哪些凭据、Backdoor 是否有外联行为、环境是否已被二次利用,都不能只靠版本号判断。团队应核对安装日志、构建缓存、网络连接和密钥调用记录,而不是升级后就把风险归零。

来源

来源: https://safedep.io/litellm-pypi-compromise-credential-stealer-backdoor/