Claude Code之父：720次提示词注入攻击0成功，一年前想都不敢想

BiRun 讯，Claude Code 负责人 Boris Cherny 称，Anthropic 已经「在实际使用中基本解决」提示词注入攻击。一年前，他自己都没想到能做到这个程度。

提示词注入攻击一直是 Agent 的大麻烦。恶意网页可以藏一段指令，诱导 Agent 偷密码、上传密钥，甚至执行用户根本没要求的操作。

Anthropic 现在靠三层防护来拦：Claude 本身先抵抗恶意指令，外部内容进入上下文前再检测一次，真正执行操作前，Auto Mode 还会再审一次。

第三方测试用了 72 种此前没见过的攻击，重复 720 次。Sonnet 5、Fable 5 和 Opus 5 开启 Auto Mode 后，一次都没成功。

同一测试中，GPT-5.6 Sol 使用 Codex Auto-review 的攻击成功率为 5.83%，Full Access 则达到 19.03%。

这也解释了 Anthropic 为什么敢把 Auto Mode 设成默认。它是 Claude Code 防提示词注入攻击的最后一道检查。

Boris Cherny