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

DeerFlow 2.0 深度解析：字节跳动开源的超级AI智能体框架，凭什么52k Star登顶GitHub？

DeerFlow 2.0 深度解析：字节跳动开源的超级AI智能体框架，凭什么52k Star登顶GitHub？

文章目录 * 前言 * 一、背景与痛点 * 1.1 问题描述 * 1.2 现有方案的不足 * 二、核心方案详解 * 2.1 架构概览 * 2.2 五大核心能力 * 能力一：上下文工程（Context Engineering） * 能力二：子智能体协作（Sub-Agents） * 能力三：Docker 沙盒 * 能力四：可插拔技能（Skills & Tools） * 能力五：本地长期记忆 * 2.3 与竞品的量化对比 * 三、实战演示 * 3.1 环境准备 * 3.2 配置与启动 * 3.3 效果展示 * 四、
当AI变成“需求读心术大师“：Python开发者如何用“脑洞算法“破解预测困局？

当AI变成“需求读心术大师“：Python开发者如何用“脑洞算法“破解预测困局？

前言：哈喽，大家好，今天给大家分享一篇文章！并提供具体代码帮助大家深入理解，彻底掌握！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎点赞 + 收藏 + 关注哦 💕 当AI变成"需求读心术大师"：Python开发者如何用"脑洞算法"破解预测困局？ 📚 本文简介 本文探讨了AI需求预测的局限性及其与人类心理洞察的本质差异。通过Python代码示例（GradientBoostingClassifier模型）揭示了AI"读心术"实为基于历史数据的概率猜测，并运用mermaid图对比展示AI在情感理解、文化背景考量等方面的不足。关键发现： AI预测依赖表面行为数据，而人类能理解深层动机 开发者应结合算法与人文洞察，如文中小陈从"更快的马"解读出"便捷交通工具"的真实需求 提出Python开发场景对照表，显示人类在用户体验设计、错误处理等方面的温度优势 结论：AI预测是工具而非真理，开发者需保持批判思维，
医疗AI与医院数据仓库的智能化升级：异构采集、精准评估与高效交互的融合方向(上)

医疗AI与医院数据仓库的智能化升级：异构采集、精准评估与高效交互的融合方向(上)

摘要： 随着医疗信息化建设的深入，医院数据仓库（Data Warehouse, DW）作为医疗AI应用的核心数据底座，其效能直接决定智能化转型的深度与广度。本文聚焦医疗AI驱动下医院数据仓库的三大关键升级功能——异构采集支持数据库体检与智能SQL分析、评估引擎重构实现六大数据库精准评估、全新界面提升操作效率，深入剖析其技术架构、实现路径与医疗价值。研究表明，通过异构数据融合、智能评估诊断与交互体验优化，数据仓库在数据质量、治理效率、决策支持能力上实现跨越式提升，为临床决策、科研创新、精细化管理提供高价值数据支撑，加速智慧医院建设进程。本文结合具体案例与实证数据，为医疗数据基础设施的智能化升级提供理论框架与实践参考。 关键词： 医疗AI；医院数据仓库；异构数据采集；数据库评估；智能SQL分析；人机交互；数据治理；智慧医疗 第一章 引言：医疗AI时代的数据仓库挑战与升级需求 1.1 研究背景与意义 医疗人工智能（AI）的蓬勃发展正深刻重塑医疗服务模式，从辅助诊断、治疗方案推荐到疾病风险预测，AI模型的高性能运行高度依赖于高质量、大规模、结构化的医疗数据。医院数据仓库作为汇聚、

Google AI Studio 全指南：从入门到精通 Gemini 开发

在生成式 AI 的浪潮中，Google 凭借 Gemini 模型系列强势反击。而对于开发者来说，想要体验、调试并集成 Gemini 模型，最佳的入口并不是 Google Cloud Vertex AI（那是企业级的），而是 Google AI Studio。 Google AI Studio 是一个基于 Web 的快速原型设计环境，它允许开发者极速测试 Gemini 模型，并将测试好的 Prompt（提示词）一键转换为代码。本文将带你从零开始，掌握这款强大的工具。 一、 什么是 Google AI Studio？ Google AI Studio 是 Google 为开发者提供的免费（或低成本）AI