< h 2 > 上周五晚上刷到漏洞通告,我手心冒汗 </ h 2 >< p > 上周五晚上刷到这个漏洞通告,我手心冒汗 —— 客户项目全在 GitHub 上。如果你用 GitHub 存代码、跑自动化部署,这个叫 CVE - 202 6 - 38 5 4 的漏洞值得你花 10 分钟了解下。简单说,就是有人能通过 GitHub 的自动化功能(叫 Actions ),远程在你服务器上执行任意代码。听着吓人,但 GitHub 已经修复了,咱们要做的就是自查下自己的设置。</ p >< h 2 > 这漏洞是啥 — 阿杰差点中招 </ h 2 >< p > W iz 安全团队发现的这个漏洞,利用的是 GitHub Actions 的权限机制。我朋友阿杰,做独立设计工作室,上周三在杭州某咖啡馆改客户项目代码时,发现自己的 Actions 日志里跑了个来路不明的脚本 —— 还好只是测试仓库,要是生产环境就惨了。我之前也犯过类似错误:图方便给所有仓库开了 Actions 的写入权限,等于大门敞开等人进来。这种漏洞不挑人,只要你用了 Actions 自动化,就有风险。</ p >< h 2 > 你今天自查成本 </ h 2 >< p > 0 元 + 10 分钟 + 技术门槛:能登录 GitHub 后台看设置就行。第一步:登录 GitHub ,点进任意仓库的 Settings ,左侧找 Actions → General ,看看「 Workflow permissions 」是选的「 Read 」还是「 Read and write 」。如果是后者,而且你没特别需要写权限的场景,改回 Read 就好。这工具不是所有人都需要 —— 如果你从没开过 Actions ,现在不查也没事。</ p >< h 2 > 分人群建议 </ h 2 >< p > 刚起步:如果你只拿 GitHub 存代码,没碰过 Actions 自动化,影响很小。下次登录顺手看一眼权限就行,不急。有 1 - 2 客户:如果你用了 Actions 自动部署网站,我会建议今天就去检查每个仓库的 Actions 权限,还有 workflow 文件里引用的第三方 action 来源是否可信。在扩规模:如果团队多人有管理员权限,建议立即审计所有仓库权限,并开启分支保护,限制谁能修改 workflow 文件。这步我之前也卡过,花了一整个下午才梳理完,但值得。</ p >
你的代码仓库可能被人远程操控 — GitHub 这个漏洞刚被修,花 10 分钟自查
相关推荐
同分类:ai_news
LocalLLaMAReddit
一则 Reddit 讨论点破本地 Agent 价值:省钱之外,更关键是可控与可持续
Reddit 上一则关于“为什么要本地运行 Agent”的讨论引发关注,判断很直接:企业采用 Agent,成本不是唯一门槛,数据可控、响应稳定和长期可持续,才是决定能否真正落地的核心。
6月15日·www.reddit.com
MilesSlime
Miles 把强化学习从实验室搬进企业,AI Agent 训练开始补工程课
10-50 轮交互、8K-64K 上下文、单次训练样本可长达 60-600 秒,这意味着 AI Agent 的强化学习已不再是“调参数”问题,而是系统工程问题。Miles 这类框架值得关心,因为它反映出行业竞争正从模型能力转向训练与部署的一体化能力。
6月15日·juejin.cn
RedditLocalLLaMA
一则 Reddit 提问暴露新需求:本地大模型开始试探心理分析,但风险先于机会
Reddit 上一则关于“用本地大模型做对话心理分析”的提问,点出一个正在冒头的需求:用户不满足于摘要和检索,开始让模型解释关系、动机与模式。值得关心的是,这类应用门槛不只在算力,更在伦理、误判和责任边界。
6月15日·www.reddit.com
GPTQLocalLLaMA
4 比特量化没把模型“压坏”,关键不在压缩而在补偿计算
一篇 Reddit 技术帖把 GPTQ 量化的核心讲清了:4 比特压缩之所以还能保住模型能力,不是因为损失小,而是因为系统会在量化一个权重后,按相关性补偿其他权重。这值得关心,因为本地部署大模型的成本竞争,越来越取决于这类“省显存但不明显降智”的工程细节。
6月15日·www.reddit.com
HereticHeretic Grimoire
9KB 备份一个大模型版本,Heretic 想把模型下架风险变成可重建问题
Heretic 发布 Grimoire 机制,把模型的“可复现信息”压成约 9KB 文本文件保存到本地。它不是把大模型真的缩小,而是把模型下架、平台封禁的风险,转成日后可重建的问题。这值得关心,因为模型分发正从“托管在哪”转向“能否被复现”。
6月14日·www.reddit.com
DeepSeekDeepSeek v4 Pro
1.6 万亿参数没换来头部成绩,DeepSeek v4 Pro 的看点已不只在模型本身
DeepSeek v4 Pro 以 1.6 万亿参数进入开源大模型第一梯队,但讨论焦点并不在“是否最强”,而在“为何这么大却只跑出中上成绩”。这件事值得关心,因为大模型竞争正从参数和榜单,转向推理成本、硬件适配与商业可用性。
6月13日·www.reddit.com