本周,数万人急切地下载了据称泄露的Claude Code源代码,但其中一些下载实际上包含了窃取凭证的恶意软件。
一个由用户idbzoomh发布的恶意GitHub仓库利用Claude Code泄露事件作为诱饵,诱骗用户下载恶意软件,包括用于窃取账户凭证、信用卡数据和浏览器历史记录的信息窃取工具Vidar,以及用于代理网络流量的GhostSocks。
Zscaler的ThreatLabz研究人员在监控GitHub威胁时发现了这个仓库,称其伪装成Anthropic公司Claude Code命令行界面的泄露TypeScript源代码。
安全研究人员在周四的博客中表示:"README文件甚至声称代码是通过npm包中的.map文件泄露的,然后重建为一个具有'解锁'企业功能且无消息限制的可运行分支。"
他们补充说,这个GitHub仓库链接在Google搜索"泄露的Claude Code"等关键词时出现在搜索结果的顶部位置。虽然在本文发布时情况已有所改变,但至少还有两个该开发者的恶意Claude Code源码泄露仓库仍存在于GitHub上,其中一个拥有793个分支和564个星标。
仓库发布部分中的恶意.7z压缩包名为"Claude Code - 泄露源代码",其中包含一个名为ClaudeCode_x64.exe的基于Rust的投递器。
一旦执行,恶意软件会在用户机器上释放Vidar v18.7和GhostSocks,然后Vidar窃取器开始收集敏感数据,而GhostSocks则将受感染设备转变为代理基础设施,犯罪分子可以利用它来掩盖真实的在线位置,并通过被攻陷的计算机进行其他活动。
今年3月,安全公司Huntress曾警告过类似的恶意软件活动,当时使用已经存在风险的AI智能体平台OpenClaw作为GitHub诱饵来投递相同的两个恶意载荷。
这两起事件都说明了犯罪分子如何快速利用热门新产品或新闻事件(如OpenClaw和Claude Code泄露)进行在线诈骗和非法牟利。Zscaler团队写道:"这种快速行动增加了机会性攻击的可能性,特别是通过恶意仓库进行的攻击。"
该博客还包含一份威胁指标清单,包括含有恶意Claude Code泄露的GitHub仓库和恶意软件哈希值,以帮助防护人员进行威胁狩猎工作。因此务必查看相关信息,并且一如既往地谨慎对待下载的内容。
Q&A
Q1:什么是Vidar恶意软件?它有什么危害?
A:Vidar是一种信息窃取工具,专门用于窃取账户凭证、信用卡数据和浏览器历史记录等敏感信息。在这次攻击中,犯罪分子使用的是Vidar v18.7版本,一旦用户执行了伪装的Claude Code源码文件,该恶意软件就会开始收集用户的敏感数据。
Q2:GhostSocks恶意软件是如何工作的?
A:GhostSocks是一种代理恶意软件,它会将受感染的设备转变为代理基础设施。犯罪分子可以利用这些被攻陷的计算机来掩盖自己的真实在线位置,并通过这些受感染的设备进行其他恶意活动,从而逃避追踪和检测。
Q3:如何避免下载到伪装的Claude Code恶意软件?
A:用户应该谨慎对待从GitHub等平台下载的"泄露"源代码,特别是那些声称具有"解锁企业功能"或"无限制"特性的版本。建议只从官方渠道下载软件,仔细检查仓库的可信度,并使用安全软件扫描下载的文件。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。