By · Last updated 2026-04-05

Atgal į BlogąAI Saugumas

Cursor ir Claude Naudojimas Nenutekejus Kodo

Cursor pagal numatytuosius parametrus ikelia .env failus i DI konteksta. Finansiniu paslaugu imone prarado 12 mln. USD, kai saviti prekybos algoritmai buvo issiusti DI asistentui.

April 5, 20269 min skaityti
Cursor AI securitydeveloper credential leakMCP Server protectionClaude Code securitycodebase privacy

Ka Cursor Ikelia i DI Konteksta

Cursor pagal numatytuosius parametrus ikelia JSON ir YAML konfiguraciju failus i DI konteksta. Tie failai dazniausiai turi debesies prieigos zzetonus, duomenu baziu slaptazodzius ir diegimo nustatymus.

Rizika nera neatsargus naudojimas. Tai yra numatytasis nustatymas. Kiekviena DI kodavimo sesija, liecianti konfiguraciju failus, gali issiysti tuos failus Anthropic arba OpenAI serveriams.

Kuretojo ketinimas yra geras. Jie prasa DI pataisyti duomenu bazes uzklausa. Uzklausoje yra prisijungimo eilute. DI ja mato. Tai yra nutekejimas. Tai yra salutinis normalaus darbo poveikis. Politikos taisykles vienos negali jo sustabdyti patikimai.

Stai kodel Modelio Konteksto Protokolo (MKP) priemoniu priemimas soko 340% imones aplinkose 2025 m. 4 ketvirtije. Komandoms reikia techninio sprendimo. Naujas politikos dokumentas nera pakankamas.

12 mln. USD Pasekme

Finansiniu paslaugu imone prarado savo savitu prekybos algoritmu kontrole. Algoritmai pasieke DI asistento serverius kodo perzuros sesijos metu.

Numatytas kainuotis: 12 mln. USD (IBM Duomenu Pazeidimo Kainuotis 2025 m., organizacijos su > 10 000 darbuotoju). Imone negalejo atgal-atskleidineti duomenu. Jie turejo auditoti kiekviena persiustu faila. Jie pasitelke teisines konsultacijas del patentuotu paslapciu atskleidimo. Jie atliko konkurencines zalos perizura.

Tai yra blogiausia atvejis. Iprastas atvejis yra mazesnis, bet greitai kaupias. API rakteliai keiciami po to, kai jie pasirodo DI pokalbiu zurnaluose. Duomenu baziu slaptazodziai keiciami po to, kai jie pasirodo priemoniu irasyse. OAuth zzzetonai panaikinami po to, kai ekrano irasymai juos uztikrina. Kiekvienas zingsnis ima personalo laika. Kaina yra tikra ir retai sekama.

Kaip Veikia Anonimizavimo Sluoksnis

Modelio Konteksto Protokolas (MKP) prideda sluoksni tarp DI kliento ir DI modelio API. Kiekvienas raginti pereina per anonimizavimo varikliu pries jis pasiekia modeli.

Be apsaugos: Kuretojas raso migraciju skriptu. Jame yra prisijungimo eilute: postgres://admin:slaptazodis@serveris:5432/db. DI modelis gauna ta eilute tokia, kokia yra.

Su anonimizavimo sluoksniu: Variklis randa eilute. Jis keicia ja zzzetonu - [DB_JUNG_1]. Modelis mato skriptui struktura ir logika. Kredencialai lieka vietoje.

Griztinamojo uzsifravi varianta eina toliau. Klientu atpazinimo numeriai ir produkto kodai yra uzsifrauoti ir pakeisti determinuotais zzzetonais. DI grazina atsakyma, naudodamas tuos zzetonus. Serveris desifruoja atsakyma ir atgal keicia zzetonus tikriesiems vercionems. Kuretojas skaito tikruosius identifikatorius. DI modelis ju niekada nematydavo.

Nustatymas ir Kuretojo Patirtis

Kurejimo komandoms nustatymas yra vienkartine uzduotis. Cursor ir Claude Code yra sukonfigoruoti, kad marstotu per vieta tarpiniu serveriu. Serverio konfiguracija apibrezia, kokius esybiu tipus persverti:

  • API rakteliai
  • Duomenu baziu prisijungimo eilutes
  • Autentifikacijos zzzetonai
  • AWS, Azure ir GCP kredencialai
  • Privatu raktu antrasciai

Komandos gali prideti pasirinktinus sablonus vidiniams paslaugu vardams arba savitu identifikatoriaus formatams.

Kuretojo puseje nieko nesikeicia. Automatinis papildymas, kodo perzura, derinimo pagalba ir dokumentacijos generavimas visi veikia kaip anksceiau. Tarpinius serveris tyliai veikia fone.

Checkpoint Research 2025 m. analize pazymejo kuretojo kredencialiu atskleidima kaip diddesnes poveikio rizika DI kodavimo priemoniu diegimuose. Tai yra tiksli problema, kuria sprendzia si architektura. Tai yra techninis sprendimas, o ne politikos priminimas.

Suzinokite daugiau musu saugumo apzvalga ir atitikties dokumentacijoje. Taip pat ziurekite musu esybiu aptikimo vadova pilnam persveriamu duomenu tipu sarasui.

Saltiniai

Pasiruošę apsaugoti savo duomenis?

Pradėkite anonimizuoti PII su 285+ subjektų tipais 48 kalbomis.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.