تقنية "تكرار‑بعد‑أنا" تتجاوز ستة أطر عمل للوكلاء الذكائيين، حسب الباحثين

في ورقة بحثية مشتركة نُشرت في 9 أكتوبر 2026، وصف فريق أكاديمي مكوّن من باحثين من جامعة بنسلفانيا ومؤسسة مونبلييه ومختبر دارتماوث تقنية عدائية جديدة سُميت بـ "تكرار‑بعد‑أنا". تُظهر التقنية قدرة المهاجم على خداع الوكلاء المدارة بالذكاء الاصطناعي لتشغيل استدعاءات أدوات يزودها، متجاوزةً بذلك آليات الفحص الأمني المدمجة داخل الأطر.

المنهجية التي اعتمدها الباحثون شملت اختبار التقنية ضد ستة أطر عمل واسعة الانتشار في مجال الوكلاء الذكائيين، وهي LangChain / LangGraph، Microsoft Agent Framework، Microsoft AutoGen، Google Agent Development Kit 2.0، AWS Strands Agents وCrewAI. النتائج أظهرت أن جميع هذه الأطر كانت عرضة للاستغلال عبر الموجه المصمم خصيصاً لهذا الغرض.

آلية عمل موجه "تكرار‑بعد‑أنا"

تبدأ العملية بطلب يُظهر للإنسان مظهرًا غير ضار، غالبًا ما يبدأ بعبارة مثل "repeat after me:". يفسر نموذج اللغة الكبيرة هذه العبارة كأمر صريح لتكرار النص التالي حرفيًا، وبالتالي إذا كان النص المتكرر يحتوي على حمولة استدعاء أداة، فإن الإطار يتعامل معه كطلب شرعي ويُرسل الحمولة إلى الأداة الخلفية دون أي فحص إضافي.

في تجربة خاصة بإصدار LangGraph 1.2.0، رفض النموذج (Llama 3.1 8B عبر Ollama) الطلب في البداية، لكنه أخرج سلسلة استدعاء الأداة الخام. بعد إعادة صياغة افتراضية للطلب، أنتج النموذج استدعاءً منسقًا تم تنفيذه قبل معالجة الرفض الأصلي، ما أكد صلاحية الاستغلال وبيّن ثغرة في آلية التحقق.

نطاق الثغرات المكتشفة عبر الفحص الشامل

إلى جانب اختبار الموجه، أجرى المؤلفون حملة فحص شاملة شملت 273 خادمًا مفتوح المصدر مخصصًا لتنسيق الأدوات المتعددة (MCP). من بين هذه الخوادم، تم اكتشاف 253 علة أمان مؤكدة على 118 خادمًا، مما أثر على 343 أداة مختلفة تم توثيقها في بيئات الإنتاج.

أبرز النتائج تضمنت 64 ضعفًا في مسار الملفات، و7 حالات تزوير طلبات خادم (SSRF)، و5 حوادث تسريب بيانات حساسة، و3 ثغرات حقن أوامر نظام تشغيل. العلل المتبقية كانت في الغالب مشاكل تتعلق بحقن مخرجات أو سجلات، ما يضيف طبقة إضافية من التعقيد للمهاجمين.

إطلاق إطار الفحص ToFu

لمعالجة هذه الفجوات، قدم الباحثون إطار فحص يُدعى ToFu، يهدف إلى قراءة بيانات تعريف الأدوات، ربطها بمدخلات CWE ذات الصلة، وتوليد فحوصات أمان تلقائيًا. يتيح ToFu إنشاء حواجز اختبارية وموارد معنوية عبر فحص تتبع التنفيذ وتطهير النتائج قبل أن تصل إلى طبقة التنفيذ الفعلية.

• إنشاء حواجز فحص تلقائية من مواصفات الأدوات
• موارد معنوية مبنية على استنتاج التنفيذ
• قوالب تحكم أمان مستندة إلى CWE
• اختبار دفعي لآلاف نسخ الأدوات
• تقرير عن العلل المؤكدة مع حمولة قابلة لإعادة الإنتاج

تشير الورقة إلى أن العديد من الأدوات الحالية تثق ضمنيًا في مخرجات النماذج لتطهير المدخلات، حتى عندما تنشأ هذه المدخلات من أدوات أخرى أو من محتوى خارجي غير موثوق. هذه الثقة الضمنية توسع سطح الهجوم، ما يسمح بسلسلة استغلالات عبر مكونات منسقة متعددة.

تم إبلاغ مطوري LangGraph بوجود نقص واضح في ضوابط ما قبل التنفيذ، إلا أن أي رد علني من فرق LangChain أو Microsoft أو Google أو AWS أو CrewAI لم يُسجل حتى تاريخ كتابة هذا التقرير، مما يترك سؤالًا حول مدى استعداد هذه الشركات لمعالجة الثغرات بسرعة.

توصيات للمنظمات العربية

بالنسبة للمنظمات العربية التي تعتمد على هذه الأطر الوكيلة في بيئاتها الإنتاجية، تعني النتائج أن أي سير عمل يعتمد على نموذج لغة كبير يستخدم أدوات خارجية يجب أن يُفترض أنه معرض للخطر حتى تُطبق تدابير تخفيف ملموسة.

من الخطوات الفورية المقترحة تعطيل التنفيذ التلقائي للأدوات داخل الأطر، وتطبيق تحقق صارم للمدخلات المستلمة من خارج النموذج، وإدماج فحص بأسلوب ToFu في خطوط التكامل المستمر (CI/CD) للكشف عن عيوب حدود الثقة قبل أن تُستغل.

علاوة على ذلك، يُنصح بإجراء مراجعات دورية لتعريفات الأدوات وتحديث قواعد CWE المرتبطة بها، بالإضافة إلى تدريب فرق التطوير على فهم سلوك النماذج اللغوية وكيفية تجنب الاعتماد المفرط على مخرجاتها في عمليات التطهير.

تطبيق هذه الإجراءات سيساعد في تقليل مساحة الهجوم المحتملة، ويعزز من قدرة المنظمات على اكتشاف ومنع الاستغلالات قبل أن تصل إلى مرحلة التنفيذ الفعلي، ما يحافظ على سرية البيانات وسلامة الأنظمة.

في الختام، يلزم اتخاذ نهج استباقي يدمج الفحص الآلي مثل ToFu مع سياسات أمان صارمة، لضمان أن تكون حدود الثقة بين النماذج والأدوات محكمة بما يكفي لمواجهة تهديدات "تكرار‑بعد‑أنا" المتصاعدة.