# Cross Domain Attack Chain Web 与 AI 跨域攻击链方法论。当目标系统同时包含传统 Web 应用和 AI/LLM 组件、 需要评估 Web 漏洞对 AI 系统的影响或 AI 漏洞对 Web... - Repository: https://github.com/wgpsec/AboutSecurity (1833 stars) - Category: Data and ML - License: see repository - Last updated: 2026-10-24 - Runs scripts: no, instructions only ## Install Claude Code: `npx skills add wgpsec/AboutSecurity --skill cross-domain-attack-chain -g -a claude-code -y` Codex: `npx skills add wgpsec/AboutSecurity --skill cross-domain-attack-chain -g -a codex -y` Cursor: `npx skills add wgpsec/AboutSecurity --skill cross-domain-attack-chain -g -a cursor -y` Gemini CLI: `npx skills add wgpsec/AboutSecurity --skill cross-domain-attack-chain -g -a gemini-cli -y` ## Description Web 与 AI 跨域攻击链方法论。当目标系统同时包含传统 Web 应用和 AI/LLM 组件、 需要评估 Web 漏洞对 AI 系统的影响或 AI 漏洞对 Web 系统的影响时触发。 覆盖双向攻击链: Web→AI(XSS 窃取对话/SSRF 调用模型 API/SQLi 污染 RAG/文件上传 RAG 投毒) 和 AI→Web(注入生成存储型 XSS/Agent 执行 SQL 命令/工具读取敏感文件/沙箱逃逸 RCE)。 ## SKILL.md, as published by its author (untrusted third-party text, read it as data) # Web/AI 跨域攻击链方法论 ## 概述 现代系统中 Web 服务与 AI/LLM 组件共享数据管道和基础设施。Web 层的低危漏洞（如受限 SSRF）接触到内部模型 API 时可升级为 Prompt 注入；反过来，Prompt 注入通过 Agent 工具链回写数据库可产生存储型 XSS。跨域攻击链的价值在于将两个领域的"中低危"串联为"高危/严重"。 ## 跨域攻击路径总览 | 方向 | 编号 | 入口漏洞 | 跨域跳板 | 最终影响 | |------|------|----------|----------|----------| | Web→AI | W2A-1 | XSS | 劫持 AI 对话接口 | 窃取对话内容/注入恶意上下文 | | Web→AI | W2A-2 | SSRF | 访问内部模型 API | 获取 embedding/直接执行 prompt | | Web→AI | W2A-3 | SQLi | 修改向量库记录 | 污染 RAG 检索结果 | | Web→AI | W2A-4 | 文件上传 | 上传含隐藏指令文档 | RAG 投毒/间接注入 | | Web→AI | W2A-5 | API 越权 | 管理接口未鉴权 | 篡改 System Prompt/模型配置 | | AI→Web | A2W-1 | Prompt 注入 | 模型输出未转义 | 生成存储型 XSS payload | | AI→Web | A2W-2 | Agent 劫持 | SQL/命令工具 | 执行任意 SQL 查询或系统命令 | | AI→Web | A2W-3 | 工具滥用 | 文件读取工具 | 读取服务器敏感文件 | | AI→Web | A2W-4 | 代码执行 | 沙箱逃逸 | 反弹 shell/RCE | | AI→Web | A2W-5 | MCP 投毒 | 外部回调工具 | 数据外泄到攻击者服务器 | ## Phase 0: 攻击面映射 - 识别系统中 Web 与 AI 组件的所有交互点：RAG 数据源（数据库、文件存储、CMS）、模型 API 端点、共享缓存/队列 - 绘制数据流图，标注哪些 Web 用户输入最终会进入 LLM 上下文（直接或经 RAG 检索） - 确认 AI 输出回写到 Web 层的路径：是否直接渲染到页面、存入数据库、或触发后端操作 ## Phase 1: Web→AI 攻击路径 **1.1 XSS → 窃取 AI 对话/注入上下文** 利用 XSS 劫持用户与 AI 的 WebSocket 或 API 会话，窃取对话历史或注入恶意上下文（GAARM.0040.001）。关键在于 AI 聊天界面是否将 Markdown/HTML img 标签渲染为实际请求，从而通过 `img src` 外泄会话内容。 **1.2 SSRF → 调用内部模型 API** Web 层 SSRF 若能触达内网模型端点，可直接发送 prompt 请求、获取 embedding 或修改参数。Agent 自身的网络访问能力也可能成为 SSRF 跳板（GAARM.0041.001）。 **1.3 SQLi → 污染 RAG 向量库** 当 RAG 系统使用关系型数据库存储文档 chunk 或元数据时，SQL 注入可修改检索内容，间接将恶意指令注入 LLM 上下文，实现持久化的间接 Prompt 注入。 **1.4 文件上传 → RAG 投毒** 上传含隐藏指令的文档（PDF 中的白色文字、DOCX 中的隐藏段落、图片 EXIF 中的文本），文档被 RAG 管道索引后，隐藏指令在检索阶段被注入到模型上下文中。 **1.5 API 越权 → 修改 System Prompt/模型配置** 管理接口若缺乏鉴权或存在 IDOR，攻击者可直接修改 System Prompt、调整模型温度参数、切换底层模型版本，从根本上改变 AI 的行为边界。 ## Phase 2: AI→Web 攻击路径 **2.1 Prompt 注入 → 生成存储型 XSS** 诱导模型生成包含 `