LiteLLM 1.107.0 被揭露含有憑證竊取器與後門。受影響的不只是特定依賴版本,而是 Agent 團隊對 PyPI、環境變數與執行時期權限的整體檢查。
SafeDep 的原始分析指出,這個惡意版本會安裝 Credential Stealer(憑證竊取器)與 Backdoor(後門)。
先說結論:Agent 的安全邊界不只在 Prompt Injection。除了模型輸入,Python 相依套件、模型閘道、環境變數與工具權限,都可能成為攻擊面。
一次 PyPI 投毒,為何能波及 Agent 憑證
LiteLLM 是一套多模型閘道與代理框架,通常位於應用程式與模型供應商之間,負責路由請求、管理模型設定,以及處理不同供應商的呼叫。
如果部署方式類似以下:
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"],
)
那麼 LiteLLM 所在的處理程序通常不只會接觸一家模型供應商的憑證。
它可能持有:
- Anthropic、OpenAI 等模型供應商的 API key;
- AWS、Azure 或 Google Cloud 的存取憑證;
- 資料庫、物件儲存與內部服務憑證;
- Agent 工具呼叫所需的內部 API token;
- 日誌、計費、監控與追蹤系統的密鑰。
一次 PyPI 套件更新的危險,不只在於「安裝了惡意版本」。惡意程式碼若在閘道處理程序中執行,就能直接運用該程序既有的權限。
LiteLLM 1.107.0 的具體風險
SafeDep 報告指出,LiteLLM 1.107.0 的 PyPI 套件遭到供應鏈入侵。報告標題與摘要均明確指出,此版本已確認會安裝 Credential Stealer 與 Backdoor。
這裡需要區分兩件事:
- 供應鏈入侵:攻擊者滲入了實際的套件發布或分發流程;
- 惡意功能落地:安裝後,程式碼確實具備憑證竊取器與後門能力。
這與一般的 typo-squatting 並不相同。
typo-squatting 通常是仿冒套件名稱,例如故意將 litellm 拼錯,誘導使用者安裝;攻擊者利用的是使用者的輸入錯誤。
這次事件更接近「原始套件遭替換」或「發布流程遭控制」。依賴名稱沒有寫錯,專案也確實使用 LiteLLM,但特定版本更新後,套件本身已發生變化。
工程團隊必須調整原有的安全假設:
套件名稱正確 ≠ 版本安全
存在鎖定檔 ≠ 所有套件都可信
CI 安裝成功 ≠ 正式環境未執行惡意邏輯
尤其要留意 postinstall、建置腳本與動態安裝邏輯。惡意程式碼不一定只在業務程式碼被呼叫時執行,也可能在安裝、處理程序啟動或模組匯入階段運行。
原始安全分析:https://safedep.io/litellm-pypi-compromise-credential-stealer-backdoor/
真正的危險在於取得密鑰
Credential Stealer 與 Backdoor 代表兩個不同層次的風險。
憑證竊取器解決的是「取得什麼」:
- 環境變數;
- 雲端服務設定;
- 本機憑證檔案;
- 處理程序中的 token;
- 代理服務使用的 API key。
後門解決的是「日後如何再進入」:
- 保留再次存取系統的入口;
- 等待後續指令;
- 在特定條件下恢復執行;
- 讓短期修補無法徹底清除風險。
兩者結合後,攻擊可能從一次性資料竊取演變為持續性威脅。
對一般應用程式而言,外洩一個聊天 API key,影響可能僅限於帳單與請求額度;對 AI Agent 而言,衝擊通常更大。
Agent 不只是「產生一段文字」。若具備工具呼叫能力,可能執行以下操作:
- 讀取程式碼儲存庫;
- 修改檔案並提交變更;
- 查詢內部資料庫;
- 呼叫工單、CRM 或郵件系統;
- 部署服務;
- 發動支付或雲端資源操作。
一旦模型閘道或 Agent runtime 掌握高權限密鑰,Prompt Injection 只是後續利用方式之一。攻擊者甚至不必先誘導模型點開連結;惡意程式碼可以直接讀取憑證,或偽造後續呼叫。
真正需要關注的是以下權限鏈:
惡意 PyPI 套件
↓
Agent runtime / LiteLLM 處理程序
↓
環境變數、設定檔、雲端憑證
↓
內部 API、程式碼儲存庫、正式環境系統
給 AI 工程團隊的三道止損線
1. 鎖定版本,也鎖定 hash
不要只寫下一個版本範圍:
[project]
dependencies = [
"litellm>=1.100.0",
]
這種寫法讓每次建置都有機會解析出不同版本,對正式環境中的 Agent 而言並不夠。
應固定版本,並透過 lockfile 記錄完整依賴關係;安裝時還可以驗證 hash:
python -m pip install --require-hashes -r requirements.txt
CI 中應保存並檢查以下項目:
requirements.txt中的精確版本;- 由
poetry.lock、uv.lock或pip-tools產生的鎖定檔; - 套件檔案的 hash;
- 透過
pip list、pipdeptree或uv pip tree取得的依賴樹; - 建置與安裝階段實際執行的腳本。
對於事件發生期間已暴露的版本,不要只做升級便繼續使用。先確認惡意版本是否曾經執行,再判斷哪些憑證需要輪換。
2. 輪換曾出現在環境中的密鑰
如果 1.107.0 曾經進入開發機、CI runner、容器映像或正式環境,預設應將相關憑證視為可能外洩。
至少檢查:
- 模型供應商 API key;
- 雲端平台 access key;
- 資料庫密碼與連線字串;
- GitHub、GitLab、GitHub Actions 等程式碼平台 token;
- Slack、郵件、監控與日誌服務 token;
- Agent 可呼叫的內部服務憑證。
輪換不是單純產生一把新 key。新舊 key 必須並行切換,確認舊 key 已失效,並檢查異常呼叫紀錄。
權限也必須一併檢查。一把只用於呼叫 Claude 的 key,不應同時擁有讀取程式碼儲存庫或部署正式環境服務的權限。
3. 隔離部署憑證
模型閘道應盡量在獨立且符合最小權限原則的環境中執行。
可以依照以下層次拆分:
Agent API 服務
└─ 只持有短期 Agent token
LiteLLM 閘道
└─ 只持有必要的模型供應商 key
部署與雲端控制面
└─ 不進入 Agent 容器
具體作法包括:
- 使用容器或虛擬機隔離執行環境;
- 禁止 Agent runtime 讀取雲端平台控制面憑證;
- 使用短期 token,並設定自動到期;
- 為工具呼叫設定 allowlist;
- 限制閘道的對外網路連線;
- 將正式環境部署置於獨立的 CI/CD 身分中;
- 禁止預設讀取
~/.aws、~/.ssh、~/.config等敏感目錄; - 執行外部輸入前,再次檢查權限。
從 CI 到正式環境,可使用以下清單進行檢查:
[ ] 是否安裝過 LiteLLM 1.107.0?
[ ] 是否曾解析未鎖定的依賴?
[ ] 是否存在 postinstall 或動態下載行為?
[ ] 是否檢查過建置映像與快取?
[ ] 是否輪換過模型、雲端平台與內部 API 憑證?
[ ] Agent runtime 是否持有不必要的正式環境權限?
[ ] 是否檢查過異常 token 使用與對外連線?
如果團隊使用 LangGraph、MCP 或自訂工具層,也必須將每一層納入排查。閘道只是依賴鏈中的一環。
編輯觀點
這次事件的重要性,在於它提醒 Agent 團隊:安全邊界已從模型回答延伸至執行時期。一次 Python 套件更新,可能同時接觸模型 key、雲端憑證與內部 API 權限,這與過去的 Prompt Injection 不同。Prompt Injection 通常從模型輸入開始,需要先誘導模型;供應鏈攻擊則可能直接發生在程式碼與權限層,不必先說服模型。
我的判斷是,Agent 團隊會把「最小權限」視為比 Prompt Injection 更 foundational 的基礎。模型與工具當然都需要審查,但如果一個閘道處理程序握有數十把長期有效密鑰,任何依賴投毒都會被放大。
目前仍有未知事項:惡意程式碼在什麼條件下蒐集了哪些憑證、Backdoor 是否具有對外連線行為,以及環境是否已遭二次利用,都不能只靠版本號判斷。團隊應核對安裝日誌、建置快取、網路連線與密鑰呼叫紀錄,而不是升級後便將風險視為歸零。