跳到主要內容

Lovable 資安調查再掀討論:30% 不是外洩率,AI 建站漏掉了哪道門?(2026)

最後更新: ·
Lovable 資安調查:功能完成之後,資料權限是否正確的原創示意圖

Crissy Field 公開了〈Lovable: Many Apps Built on the Platform Expose Sensitive Data〉,這份 Lovable 資安調查把一個容易被漂亮網站掩蓋的問題攤開:應用程式能完成註冊、聊天與訂票,背後的資料卻可能讓不該看的人讀到。這是對既有調查的重新討論,並非宣告今天發生了一起新的入侵。

Crissy Field 的 Lovable 資安調查原文標題與摘要
圖/Crissy Field 原頁截圖;AlphaLab 加上瀏覽器外框。右側是原站封面設計,非本篇取得的事件現場照;點圖可開啟原文。

原報告連結至 2026 年 11 月 2 日的 Handelsblatt 報導,並註明目前頁面已更新分析與數字;更新版的獨立發布日期未在頁面標示。11 月 14 日(UTC)的 Hacker News 討論串讓它再受關注,作者也表示約兩週前已投稿。因此,要把「調查何時公開」和「討論何時升溫」分開。

先讀報告真正量到什麼,再對照 Lovable 與 Supabase 的現行文件,最後看這件事對 AI 建站平台與使用者各意味著什麼。核心判斷是:這份報告足以提出嚴肅的權限風險,卻不能被壓縮成「三成 Lovable 網站確認外洩」。

一、Lovable 資安調查量到的 30%,分母是誰?

研究團隊從 Common Crawl 網路資料辨識 2025 年 12 月至 2026 年 9 月間的 Lovable 專案,分析路徑逐步縮小。以下均為原報告的數字與分類,並非 AlphaLab 重新掃描的結果。

報告數字實際描述解讀界線
159,041 個專案從 Common Crawl 辨識、分析的 Lovable 專案不是平台全部應用的隨機抽樣
34,545 個專案其中使用 Supabase 的專案不能由此描述所有後端方案
24,664 個網站未登入、未互動,載入頁面就傳回 Supabase 紀錄公開目錄或展示資料也可能如此,本身不等於漏洞
7,403 個網站/10,560 張資料表進一步唯讀查詢時,找到含電子郵件地址紀錄的網站與資料表7,403 ÷ 24,664 約為 30%;電子郵件可能是公開聯絡方式或測試資料

The 30% figure should therefore not be read as a confirmed data leak rate.

中文:因此,30% 這個數字不應被解讀為確認的資料外洩率。

Crissy Field,研究報告 Limitations 段落

這不是替風險打折,而是讓數字回答正確的問題。把公開客服信箱算成私密資料會高估;漏掉完全沒有電子郵件欄位的敏感紀錄,又可能低估。原文承認兩種影響的程度無法確定,也承認樣本不代表全部 Lovable 應用。這些偏差不能假定剛好互相抵銷,更不能拿 30% 去推算整個平台有多少受害者。

研究主要檢查 Supabase 整合,並明說未檢查 Lovable 自有資料庫功能。把結論延伸成「所有 Lovable Cloud 應用都有同樣問題」,也超出了這份證據。

二、比總比例更值得警覺的,是個案裡放了什麼

依 Crissy Field 的個案整理,一個德國生活論壇可讀取超過 8 萬筆個人檔案,以及超過 20 萬則聊天訊息;另一個服務提供者曝露超過 1,000 筆身分文件相關紀錄,包括護照號碼、到期日與國籍。報告描述的是文件資料欄位,不能自行加寫成「完整護照掃描檔全部外洩」。

其餘案例跨到票務與餐飲交易、內部電子郵件的 AI 摘要、合約、發票、相簿、WhatsApp 通訊及客服資料;其中一例是可讀取 28 萬封寄給客戶的郵件。作者要提醒的,不只是資訊量大,而是原本應屬不同信任範圍的內容,被同一種過寬權限放到可讀取的位置。

這些個案與數量仍應寫成研究團隊所觀察,不能因為多家網站轉載,就變成多次獨立驗證。原報告說僅取回部分資料,並未確認資料是否遭濫用;這既不是已發生身分盜用的證明,也不是證明沒有人利用過。AlphaLab 本篇核對的是公開報告與產品機制,沒有存取個案資料或重跑第三方網站掃描。

三、真正的門鎖在資料層,藏起畫面按鈕還不夠

原報告的方法分成:從公開網頁資料找出專案,觀察頁面取得的資料,再檢查同一存取身分是否還能讀到其他內容。下面是原文的流程圖;它解釋研究如何縮小檢查範圍,不是供讀者尋找第三方資料的操作教學。

Crissy Field 研究流程:辨識應用、觀察資料存取、檢查額外可讀內容
圖/Crissy Field。原圖呈現研究的三階段流程;本篇僅以它說明抽樣與證據範圍。

作者另外提出一個平台層面的風險:Lovable 的資料庫整合有重複模式,同類權限錯誤可能讓檢查方法跨應用重用。這是報告對風險如何擴散的機制判斷,並非已量到攻擊速度或全部應用共用同一漏洞;是否能跨站成立,仍取決於各站實際設定。

要理解這個機制,可把應用想成辦公室:登入是確認你是誰,授權則是判斷你能開哪個抽屜。畫面只顯示自己的抽屜,無法代替資料端真正上鎖。若系統把「有帳號」誤當成「能讀所有人的資料」,登入功能即使運作正常,也仍有跨使用者存取風險。

Supabase 官方資料安全文件說明,前端可以使用 publishable key;舊專案的 anon key 同樣不是秘密。安全前提是啟用 Row Level Security(RLS,逐筆資料的存取規則),並正確設定最小權限。相對地,secret/service_role 金鑰能繞過 RLS,必須留在後端。看得到公開金鑰,不足以單獨判定外洩;拿這把金鑰實際獲准讀到什麼,才是問題。

因此,「把金鑰藏起來」與「替每位使用者限制可讀資料」是不同工作。就像 MixUA 的共享記憶與披露範圍:能儲存、能搜尋,與獲准讓哪個人看到,要分別設計。這個區分也適用於人工開發的應用,不能只憑這份非對照調查,就斷言 AI 造成更多漏洞。

四、Lovable 已有安全工具,問題是工具之後發生什麼

公平判讀也要把平台回應放進來。在同一 HN 討論串,自稱 Lovable 安全主管的 Igor 將問題歸因於不足的 RLS,並提到發布前掃描、深度掃描與修正功能。這段回覆代表其發言立場;產品能力另外以目前 Lovable 官方安全文件核對。

截至 2026 年 11 月 16 日,官方文件列出 Quick scan 與 Deep scan:前者會在發布流程自動檢查,涵蓋資料庫存取規則等固定項目;後者進一步檢視應用程式碼,包括授權、端點與資料處理風險。官方同時說,這些工具不能保證完整安全,處理敏感資料或關鍵功能時,應考慮專業安全審查。把平台寫成「完全沒有安全檢查」,與現行文件不符。

不過,偵測、修復、阻擋發布,是三種不同結果。一項警告被產生,還需要有人理解並採取行動;按下修復後,也要確認權限收緊且正常功能仍能使用。官方提供工作空間發布控制,可在 Critical 問題未解決時阻擋發布;是否真正開啟與適用,應在自己工作空間確認,不能假定每個專案都受同樣強制政策保護。

也不能用今天的文件,倒推樣本內每個專案在當時用了哪版工具、看過哪些警告,或已經全部修好。要判定這些問題,需要對應專案的版本、告警與修復紀錄。歷史樣本揭露風險,現行功能描述防線,兩份證據的時間與用途不同。

五、原報告要求什麼,又有哪些地方值得保留疑問?

原文最後的訴求很具體:在應用處理真實客戶或業務機密前,檢查權限、介面與使用者隔離;重大修改後再驗一次,缺乏能力時找專業協助。它並未提出「從此不要用 AI 開發」的必然結論。Crissy Field 本身也提供資安服務,報告末尾引導讀者洽詢;這個商業動機值得看見,但不能單憑它否定資料。

報告更尖銳的批評,是產品承諾與使用者能力之間的落差。Lovable 的官方文章確實以非技術創業者不用寫程式就能做出 MVP(可驗證想法的初版產品)為訴求;但現行條款的 Your Responsibilities 段落仍要求使用者對其資料與所建應用負責。這裡的問題是產品如何幫新手接住責任,不能把條款自行解讀為平台已免除所有法律責任。

更好的質疑方式,是問分類如何判定、樣本如何偏離整體、修復後是否回測。HN 作者還補充過模型分類與估計,但討論中的額外百分比涉及另一套判定方法,本篇不將它改寫成已確證的外洩比例。若要讓爭論往前走,需要的是可審查的方法與去識別化彙總,而非轉傳更多敏感紀錄。

六、AlphaLab 的判讀:AI 把開工門檻降低,也把交付責任推到眼前

我同意:有真實資料,就應把拒絕越權當成產品功能

一個系統讓你順利讀到自己的訂單,只證明正常路徑可用。它還必須能拒絕陌生人、其他帳戶,以及已失去資格的成員。對終端使用者而言,「別人不能看我的資料」本來就是產品的一部分,不應等出事後才被解釋成額外工程。這是這份 Lovable 資安調查最值得留下的問題。

AI 能替人做出更完整的外觀與流程,讓「可以展示」更接近「看起來已能營運」。因此,驗收表也應同時前進:從按鈕能不能用,擴大到哪些身分必須被拒絕。這與 Agent Harness 的模型、工具與控制分工相通:模型給出的答案之外,執行環境仍要落實可檢查的限制。

我存疑:用一個平台比例,直接替 AI 開發定罪

這份調查沒有提供同條件人工開發應用的對照,也沒有代表所有專案的抽樣。它支持「這些案例需要處理」,不支持「AI 必然比人工不安全」或「這家公司全部產品都不可信」。把證據說準,反而能讓真正嚴重的案例更難被一句「統計誇大」帶過。

平台值得被追問的,是把多少安全判斷交給新手

如果產品吸引的是不熟悉資料庫的人,平台就需要讓權限後果變得容易理解:這張表是誰能讀、現在誰能改、哪些資料本來不應公開。除了告警數量,更值得觀察的指標是問題從發現到修復需要多久、關閉越權後是否仍會回歸,以及使用者是否理解自己放行的風險。這是本篇提出的評估方向,並非已取得的平台改善成績。

平台可以降低犯錯機會,建置者仍得決定收哪些資料、交給誰、由誰維運。讀 規則與系統閘門的分工時,也可以用同樣標準:一句「請保護隱私」要有實際拒絕行為對應,才成為可驗收的限制。

七、現在該做什麼:先替自己的應用寫一張拒絕清單

如果你正在用 Lovable 建站,先在自己擁有或已獲授權的測試環境,只放虛構資料,寫出訪客、使用者 A、使用者 B 與管理者各能看哪些紀錄。先列預期,再由具備能力的人核對資料層權限與實際回傳;重點包含登出、跨帳戶、角色變更及成員移除後的拒絕結果。不要拿陌生網站或別人的真實紀錄練習。

接著執行官方提供的掃描、處理發現、重新驗收,並確認工作空間是否可強制阻擋 Critical 問題發布。修權限時,把「不該讀到的真的讀不到」和「原本該完成的仍能完成」一起記錄。若應用準備收護照號碼等政府識別資料,先核對方案或個別書面約定是否明確允許:Lovable 的 No Sensitive Data 條款對這類資料設有限制,未獲允許就先不要提交。符合使用條件後,仍須安排存取權限審查與營運責任;私密對話也應先完成對應的資料保護設計,再接入真實內容。

若你只是這類應用的使用者,不必因為它用了 AI 就推定已外洩;但在提交敏感資訊前,可以問經營者:誰能存取、為何需要、多久刪除,以及發現錯誤時聯絡誰。對企業採用者,自架 Agent 的資料與權限邊界提供另一個角度:部署地點、資料流與存取授權,應分別核對。

下一次看到一個幾分鐘就做好的應用,除了請它展示成功畫面,也請它展示一次正確的拒絕。能拒絕不該發生的讀取,才是把作品交給真實使用者前,值得親眼確認的成果。

接著閱讀

左右滑動查看更多推薦

ALPHALAB 社群

有問題?來 Telegram 聊

和 Terry、編輯、其他網友一起討論這篇文章。提問、分享觀點,回覆更即時。

加入 Telegram 討論

📩 訂閱 AlphaLab 電子報

週日 Weekly 週報+週二、週四 Alpha Signal,每週最多三封。

我們不會 spam,隨時可退訂。已訂閱?管理訂閱偏好(會寄登入連結到你的信箱)

主題篩選與退訂說明

寄送日期以台灣時間為準。主題偏好會篩選每期精選,並非每篇新文章的即時通知;當期符合主題的文章不足時會略過寄送。

未勾選任何主題會收到所有主題的精選,並不會停止寄信。

取消勾選 Alpha Signal 可停止週二、週四短報,仍保留週日週報。若要停止所有電子報,請使用信件底部的「取消訂閱」。