> 近日，一位来自 Replit 团队（知名AI 编程公司，Lovable友商）的员工报告，Lovable平台存在严重的行级安全(`Row Level Security, RLS`)策略实现缺陷，导致未经授权的用户可以访问敏感数据并注入恶意内容。此外，平台的默认公开项目设置和remix功能进一步加剧了数据泄露风险。本文将详细阐述了漏洞的技术细节、影响范围、披露过程、各方回应以及安全建议，旨在提高开发者和用户对此类平台安全风险的认识。

Lovable是一家瑞典初创企业，其产品被定位为"软件体系的最后一块拼图"，通过AI技术极大降低开发门槛，使客户无需技术培训即可使用自然语言提示词创建网站及应用程序。作为"氛围编码"（vibe coding）领域的代表，Lovable在欧洲市场快速增长，被称为"欧洲版Cursor"。

## 1. 漏洞概述

2025年3月20日，Replit公司员工Matt Palmer及其同事发现Lovable平台存在严重安全漏洞（CVE-2025-48757），该漏洞涉及行级安全(RLS)策略实现不当，允许未授权用户访问敏感数据并注入恶意内容。此外，Lovable平台非Pro用户创建的项目默认为公开状态，结合其remix功能，进一步增加了数据泄露风险。

![](https://static.downly.cn/images/image-20250603091520914-1748913389378-1.png)

**CVE-2025-48757详情：**

![](https://static.downly.cn/images/image-20250603090338879.png)

## 2. CVE-2025-48757漏洞技术分析

### 2.1 漏洞本质

CVE-2025-48757漏洞的核心是Lovable平台在实现行级安全(RLS)策略时存在严重缺陷：

1.RLS配置缺失或错误：Lovable平台创建的应用程序常缺乏安全的RLS配置，导致数据库表缺少必要的访问控制。

2.客户端与后端安全策略不一致：客户端逻辑与后端权限控制(RLS)策略存在错位，前端实现的访问控制在后端没有得到有效执行。

3.身份验证绕过：攻击者可通过移除授权头部，将请求安全上下文从已认证用户变为未认证用户，从而绕过访问控制。

### 2.2 漏洞利用方式

在Lovable，只有Pro用户才能创建private项目，任何人都可以查看并使用remix的方式克隆他人的项目，这是一个非常重要的前提。

![](https://static.downly.cn/images/image-20250603084746944.png)

#### 2.2.1 数据访问漏洞

攻击者可以通过修改查询参数访问项目"用户"表中的所有数据。例如，在Linkable网站（一个由Lovable构建的将LinkedIn资料转化为个人网站的应用）中，Palmer能够查看约500名用户的电子邮件地址。

#### 2.2.2 数据修改漏洞

攻击者可以通过发送带有精心构造的有效载荷的POST请求插入新记录。在Linkable网站的案例中，研究人员成功通过设置"payment_status": "paid"绕过了Stripe支付集成，实现了未授权的数据写入。

### 2.3 技术架构问题

Lovable 为用户提供了一种简单的方法来连接到Supabase 的数据库服务，但存在配置不当问题。

![](https://static.downly.cn/images/image-20250603085004055.png)

Lovable平台的安全漏洞与其技术架构密切相关：

1.客户端驱动架构：Lovable应用主要以客户端驱动为主，将大量逻辑放在前端执行。

2.外部服务依赖：依赖外部服务(如Supabase)完成身份验证和数据存储等后端操作，增加了配置复杂性。

3.安全责任转移：将安全责任转移给应用程序的开发者，而非平台本身，但缺乏足够的安全指导和默认保护。

### 2.4 "安全扫描"功能的局限性

Lovable在4月24日推出的"安全扫描"功能存在严重局限：

1.该功能仅检查Supabase数据库是否启用了访问控制，而不检查控制选项是否正确配置。

2.提供虚假的安全感，无法检测到暴露数据的错误配置。

3.未解决底层RLS架构缺陷，即使在扫描后，应用仍可能存在漏洞。

## 3. 漏洞影响范围

### 3.1 受影响应用数量

在扫描的1,645个Lovable创建的应用中，约170个(10.3%)存在漏洞，涉及303个端点存在不充分的RLS设置。这表明RLS配置错误是一个系统性问题，而非孤立事件。

### 3.2 暴露数据类型

通过漏洞可能泄露的敏感数据包括：

•用户个人信息(姓名、电子邮件地址)

•财务信息

•API密钥(包括Google Maps、Gemini API、eBay等服务)

•个人债务金额

•家庭住址

•"擦边提示词"

### 3.3 潜在攻击场景

1.数据窃取：攻击者可获取用户个人信息和凭证，用于身份盗窃或定向攻击。

2.API滥用：获取的API密钥可被用于未授权访问第三方服务，可能导致财务损失。

3.数据篡改：攻击者可修改数据库内容，包括支付状态、用户权限等。

4.服务中断：通过删除或破坏数据，可能导致服务不可用。

## 4. 漏洞披露过程

### 4.1 时间线

1.2025年3月20日：初次发现Linkable网站(Lovable构建)的漏洞。

2.2025年3月21日：识别出更广泛的RLS配置错误问题，并通过电子邮件通知Lovable。

3.2025年3月24日：Lovable确认收到邮件，但未回复。

4.2025年4月14日：

•Palantir工程师Danial Asaria独立发现并公开发推文谈论同一漏洞。

•Palmer再次通知Lovable，引用公开利用情况，并启动45天披露窗口期。

5.2025年4月24日：Lovable发布"Lovable 2.0"，增加"安全扫描"功能，但未解决底层RLS架构缺陷。

6.2025年5月24日：Palmer对Linkable网站进行再次评估，发现仍存在数据操纵和注入等严重安全问题。

7.2025年5月29日：由于Lovable未采取有效修复措施或通知用户，Palmer发布CVE编号。

### 4.2 Lovable的回应与措施

1.初次回应：否认存在漏洞，随后删除相关推文和网站。

2.临时措施：Linkable重新上线并开始收取2美元费用。

3.安全功能：推出"安全扫描"功能，但仅检查Supabase数据库是否启用了访问控制，未检查配置是否正确。

4.公开声明(5月30日)："与几个月前相比，Lovable现在在构建安全应用方面有了显著提升，并且还在快速改进。话虽如此，我们的安全水平尚未达到预期，我们将致力于持续提升所有Lovable用户的安全状况。"

## 5. 默认公开项目与Remix功能的安全风险

### 5.1 默认公开项目机制

根据Lovable官方隐私政策和用户补充信息，非Pro用户创建的项目默认为公开状态：

"如果您的项目设置为'公开'，那么提示和代码可以被其他用户看到。您的公开项目也可以被remix并用作其他项目的起点。私有项目不可被remix，其代码和提示对其他用户不可见。" —— Lovable隐私政策，"用户内容可见性"部分

这一默认设置意味着：

1.非Pro用户的项目代码、提示词和配置默认对所有人可见。

2.用户需要主动将项目设置为私有，但这通常需要升级到付费计划。

3.许多用户可能不知道自己的项目是公开的，尤其是缺乏技术背景的新手。

### 5.2 Remix功能及其风险

Lovable的Remix功能允许用户克隆并修改其他公开项目：

1.配置复制：Remix会复制原项目的代码、结构和配置，包括可能存在的不安全设置。

2.凭证泄露：如果原项目包含硬编码的API密钥、数据库连接字符串或其他凭证，这些也会被复制到新项目中。

3.权限继承：新项目可能继承原项目的不安全权限设置，导致相同的漏洞在多个项目中传播。

### 5.3 组合风险分析

默认公开项目与Remix功能相结合，形成了严重的安全风险链：

1.漏洞传播：一个存在RLS配置错误的公开项目可能被多次remix，导致漏洞在生态系统中快速传播。

2.凭证暴露链：一个包含API密钥的公开项目被remix后，这些凭证可能被更多人看到并滥用。

3.安全意识差距：缺乏安全知识的用户可能不了解公开项目和remix带来的风险，无意中暴露敏感信息。

4.难以追踪：当漏洞通过remix传播时，很难追踪源头并通知所有受影响用户。

## 6. 安全专家观点

### 6.1 SentinelOne首席信息安全官Alex Stamos

•Web应用程序最佳实践要求完全避免让用户直接访问数据库。

•应用程序应当确定用户可以访问哪些信息，再据此执行数据交付。

•允许用户直接接入数据库存在巨大风险，即使有正确处理方法，成功率也极低。

### 6.2 Replit公司CEO Amjad Masad

•不能期望新手开发者理解并掌握底层安全配置。

•如果一款工具号称能轻松部署应用程序，就必须确保这些应用程序的安全性。

•氛围编码工具应该提供安全默认设置，而不是将安全责任完全转嫁给用户。

## 7. 安全建议

### 7.1 对Lovable平台的建议

1.实施安全默认设置：所有项目默认应为私有，只有在用户明确选择后才设为公开。

2.改进RLS实现：提供预配置的安全模板和自动化工具，确保正确实施RLS策略。

3.增强安全扫描：扩展当前的安全扫描功能，不仅检查RLS是否启用，还应验证其配置是否正确。

4.用户通知机制：建立机制通知用户潜在的安全问题，特别是当他们的项目包含敏感数据时。

5.沙箱环境：为氛围编码应用提供沙箱环境，限制可能造成的损害。

### 7.2 对Lovable用户的建议

1.项目可见性审查：检查所有项目的可见性设置，确保包含敏感信息的项目设为私有。

2.避免存储敏感数据：不要在Lovable项目中存储API密钥、凭证或个人敏感信息。

3.定期安全审查：定期检查项目的安全设置，特别是在更新后。

4.使用环境变量：对于需要API密钥的项目，使用环境变量而非硬编码。

5.限制数据访问：实施最小权限原则，限制应用对数据的访问范围。

### 7.3 对氛围编码行业的建议

1.建立安全标准：制定氛围编码平台的安全最佳实践和标准。

2.责任明确化：明确平台提供商和用户在安全方面的责任边界。

3.安全教育：提供针对非技术用户的安全意识培训和资源。

4.防御深度：实施多层次安全控制，不仅依赖单一防护措施。

5.透明度：平台应公开其安全措施和限制，帮助用户做出明智决策。

## 8. 结论

Lovable平台的CVE-2025-48757漏洞以及默认公开项目与remix功能带来的额外风险，凸显了氛围编码工具在安全实践方面的重大挑战。虽然这些工具极大地降低了软件开发的门槛，但同时也带来了新的安全风险，特别是当用户缺乏安全知识时。

平台提供商需要认识到，随着开发工具的民主化，安全责任不应完全转嫁给用户。相反，应该提供安全默认设置、自动化安全检查和清晰的风险通知。同时，用户也应提高安全意识，了解这些平台的限制和潜在风险。

随着氛围编码和AI辅助开发工具的持续发展，行业需要建立新的安全范式，在保持易用性的同时确保应用安全。只有通过平台提供商、用户和安全社区的共同努力，才能实现这一平衡。

## 参考资料

1.Matt Palmer. (2025). Statement on CVE-2025-48757. https://mattpalmer.io/posts/statement-on-CVE-2025-48757/

2.Semafor. (2025). The hottest new vibe coding startup may be a sitting duck for hackers. https://www.semafor.com/article/05/29/2025/the-hottest-new-vibe-coding-startup-lovable-is-a-sitting-duck-for-hackers

4.Matt Palmer. (2025). Twitter/X Post on Lovable Vulnerability. https://x.com/mattppal/status/1928106325613105370

5.Lovable. (2024). Privacy Policy. https://lovable.dev/privacy

6.Bay Tech Consulting. (2025). An Analysis of Loveable AI: Features, Pricing, Value, and Market Position 2025. https://www.baytechconsulting.com/blog/an-analysis-of-loveable-ai-features-pricing-value-and-market-position-2025





"欧洲版Cursor"遭友商狙击 - Replit团队揭露Lovable平台数据泄露漏洞



> AI检测技术的高歌猛进，本应是维护内容生态、净化网络空间的利器。然而，“上有政策，下有对策”的戏码却在新兴的AI领域精彩上演。围绕着如何逃避AI检测，一条条令人啼笑皆非、却又真实存在的“反AI检测”产业链应运而生，其荒诞程度令人咋舌，也折射出AI技术发展与人类博弈的复杂性。

## AI检测的崛起与“误伤”争议

随着AI技术在文本生成、图像识别等领域的广泛应用，如何鉴别内容的原创性、防止虚假信息和恶意内容泛滥成为亟待解决的问题。AI检测工具应运而生，通过算法分析文本结构、语言风格、图像特征等，试图识别出由AI生成的内容。

![image.png](https://static.downly.cn/images/20250520022657.019906287.png)

然而，AI检测并非万无一失。其“误伤”现象时有发生，一些人工创作的内容因其风格与AI生成相似而被误判，给创作者带来困扰。令人哭笑不得的是，**朱自清《荷塘月色》、王勃《滕王阁序》、刘慈欣《三体》选段等经典著作也被主流AI鉴别工具标记为“AI生成内容”，其中《滕王阁阁序》的AI生成概率竟达100%。** 这种极端的误判案例，无疑加剧了人们对AI检测准确性的质疑。除此之外，一些学生反映自己的原创论文被AI检测判定为“AI生成”，导致无法顺利毕业；内容创作者也面临着原创作品被限流甚至封号的风险。这种“误伤”的存在，为“反AI检测”的需求提供了生存空间。

## 逃避AI检测的“歪门邪道”

需求催生市场。为了逃避AI检测的“火眼金睛”，各种“反AI检测”的“奇技淫巧”层出不穷，构成了这条荒诞产业链的主体。

### “AI洗稿”变种与人工润色服务

最初，一些人试图通过简单的同义词替换、语序调整来逃避检测，但随着AI检测技术的升级，这种方法效果甚微。于是，“AI洗稿”服务应运而生，声称能将AI生成的内容进行“深度伪装”，使其更像人工创作。

更有甚者，出现了“人工润色”服务。卖家宣称由专业人士对AI生成的内容进行修改，使其具备人工的写作风格和情感色彩，以此骗过AI检测。这类服务往往价格不菲，但依然有趋之若鹜的需求者。

![image.png](https://static.downly.cn/images/20250520022746.852164138.png)

### “降低AI指数”的神奇软件

在一些电商平台和论坛上，甚至出现了声称能“一键降低AI指数”的软件或工具。这些工具往往打着技术优化的旗号，声称通过复杂的算法处理，让文本或图像的AI痕迹变得难以察觉。其真实效果存疑，但却利用了人们急于逃避检测的心理。

### 另类“创作”手段

为了规避文本AI检测，一些人开始采用更加“另类”的创作手段，例如使用繁体字、生僻字、甚至是错别字，试图扰乱AI的识别。这种做法虽然在一定程度上能迷惑AI，但却严重影响了内容的易读性和专业性，可谓是“杀敌一千，自损八百”。



## 荒诞产业链背后的风险

这条围绕AI检测漏洞催生的荒诞产业链，不仅令人啼笑皆非，更蕴藏着诸多风险。

### 内容质量的沦丧

过度依赖“反AI检测”手段，将使得内容创作偏离其本质，不再追求高质量和原创性，而是专注于如何“骗过”算法。这将导致网络上充斥着大量经过“伪装”的低质量内容，严重影响信息环境的健康发展。

### 道德与法律的模糊地带

提供和使用“反AI检测”服务，游走在道德和法律的边缘。虽然目前没有明确的法律条文禁止这些行为，但其本质是利用技术漏洞进行欺骗，扰乱了正常的市场秩序和内容生态。



### 技术对抗的螺旋上升

“反AI检测”产业链的存在，也预示着AI技术与人类对抗的螺旋上升。AI检测技术会不断升级，而“反AI检测”手段也会随之“迭代”。这种无休止的技术对抗，消耗了大量的资源，也使得AI技术的应用变得更加复杂和不确定。

## 未来展望 治本之道在哪里？

AI检测漏洞催生的荒诞产业链，是AI技术发展过程中的一个特殊现象。要解决这个问题，需要从多个层面入手。

### 提升AI检测的准确性与鲁棒性

技术是解决问题的关键。AI研究人员需要不断提升AI检测技术的准确性和鲁棒性，减少误判，使其更能区分人工创作和AI生成的内容。特别是对于经典著作等人工创作的优秀范例，AI检测工具应能准确识别，避免出现将人工创作误判为AI生成的情况。

### 建立更完善的内容生态治理体系

除了技术手段，还需要建立更完善的内容生态治理体系。通过平台规则、法律法规等手段，规范AI生成内容的使用，打击恶意逃避检测的行为。



### 引导正确的创作价值观

最重要的是，需要引导内容创作者树立正确的价值观，鼓励原创和高质量的内容创作，而不是一味地追求流量和曝光。

AI检测与“反AI检测”的博弈仍在继续，这条荒诞产业链的存在，提醒我们在拥抱AI技术的同时，也要警惕其带来的潜在风险，并积极探索治本之策，共同构建一个健康、有序、充满创造力的数字内容生态。

搜索结果: 技术漏洞