

> 创纪录的用户涌入导致服务短暂瘫痪，而拒绝放松安全审查的强硬立场，让这家坚守伦理红线的AI新锐在赢得公众口碑的同时遭遇了前所未有的合规挑战。

## 千万级流量过载 突发宕机折射市场渴求

在技术界惊呼行业格局或将生变的关键节点，头部AI企业Anthropic却经历了一场极具戏剧性的考验。相关服务状态数据显示，其核心产品在特定时段遭遇了长达两小时的大规模服务中断。此次宕机事件并非源于底层技术漏洞，而是爆发式的用户增长直接击穿了现有服务器集群的承载极限。

官方数据显示，自今年一月以来，该平台的免费用户群体激增了六成，而付费订阅用户规模在短短数月内便实现翻番。巨大的流量洪峰精准冲击了面向个人消费者的网页端与移动端应用，同时其最新推出的辅助工具也受到波及。经过紧急的扩容与链路修复，系统才得以重新恢复稳定。这一现象级的数据表现，充分印证了其新一代模型产品在市场端的强劲号召力。

![22.png](https://static.downly.cn/images/9dbdbc52b3da88f224c2bde68d1e506e.png) <center>图源备注 图片由AI生成</center>

## 底线碰撞 军工应用引发的审查风暴

然而，比技术过载更为棘手的是企业与监管层之间日益尖锐的理念冲突。据多家权威媒体披露，该公司正面临来自华盛顿决策层的巨大政治压力。在此前的局部地缘冲突及特定情报行动中，军方指挥机构深度整合了该公司的AI模型，用于高价值目标识别、复杂情报评估以及战术场景模拟，且其实际表现被内部评估为无可替代。

尽管技术实力受到军方高度认可，但核心分歧在于底层安全规则的豁免权。企业高层明确拒绝取消关于全自动武器控制与大规模监视活动的算法限制，这一强硬姿态直接招致了部分政界高层的强烈不满，甚至面临被联邦机构全面停用的风险。在商业利益与伦理红线之间，管理层选择坚守底层安全准则，展现了其在技术扩张期的独特战略定力。

![23.png](https://static.downly.cn/images/1b7f90d50a9594f3688610b8d2790d29.png) <center>图源备注 图片由AI生成</center>

## 伦理博弈催生行业新变量

这场风暴在消费端引发了意料之外的连锁反应。随着其他竞品公司逐渐放开对军事用途的限制，一批对AI伦理抱有高度关注的用户群体开始主动倒戈，推动了社交网络上声势浩大的迁移运动。这种被政策层打压却被公众与前线机构极力推崇的矛盾处境，不仅映射出企业坚持合规底线的沉重代价，更为未来全球AI产业的地缘政治生存法则投下了巨大的变数。


流量洪峰与监管高压交织 Anthropic深陷双重漩涡

> 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