Anthropic公司出现重大失误,其官方npm包中意外暴露了AI编程工具Claude Code的完整源代码。
安全研究员发现代码泄露
周二上午,安全研究员邵朝帆发现了这一泄露事件并向外界披露。Claude Code源代码的快照很快被备份到GitHub仓库中,该仓库已被fork超过41500次,确保了代码的广泛传播,使Anthropic的失误成为AI和网络安全社区的收获。
泄露原因分析
根据GitHub上传的Claude Code暴露源码显示,泄露实际上源于Claude Code的npm包中包含的映射文件对未混淆TypeScript源码的引用。映射文件通常用于将打包代码连接回原始源码。该引用指向托管在Anthropic的Cloudflare R2存储桶上的zip压缩包,研究人员能够轻松下载和解压。
泄露内容规模庞大
压缩包中包含大量信息:约1900个TypeScript文件,超过51.2万行代码,完整的斜杠命令库和内置工具等。不过,Claude Code的源码并非完全神秘,虽然这次泄露让我们看到了直接来自Anthropic的Claude Code最新版本,但并非揭露此前完全保密的内容。
此前已有逆向工程
Claude Code此前已被逆向工程,相关项目甚至建立了专门的网站来暴露Claude Code中未向公众发布或共享的隐藏部分。换句话说,这次泄露为CCLeaks运营者提供了有用的对比点和更新来源,随着人们深入挖掘暴露的代码,可能会发现一些新的秘密。
技术失误引发关注
更有趣的是,Anthropic的某个人犯了一个严重错误,在发布配置中留下了映射文件。发布映射文件通常是不被推荐的做法,因为它们用于调试混淆或打包的代码,在生产环境中并不必要。不仅如此,正如这个例子所示,映射文件很容易被用来暴露源代码,因为它们是原始代码的参考文档。
专家建议加强管道检查
软件工程师Gabriel Anhaia在对暴露代码的深度分析中指出,这应该提醒即使是最优秀的开发者也要检查他们的构建管道。Anhaia在Claude Code泄露分析中写道:"package.json中一个错误配置的.npmignore或files字段就可能暴露一切。"
官方回应承认错误
Anthropic在给媒体的声明中承认了这一点,表示确实是人为错误导致了这次事故。Anthropic发言人在邮件中表示:"今天早些时候,Claude Code的一个版本包含了一些内部源代码。这是由人为错误导致的发布打包问题,而非安全漏洞。我们正在推出措施防止此类事件再次发生。"发言人还补充说,没有客户数据或凭据涉及或暴露。
后续处理情况
截至目前,最初将Claude Code源码上传到GitHub的用户已将其仓库改为托管Claude Code的Python功能移植版本,而非Anthropic直接暴露的源码,理由是担心因托管Anthropic的知识产权而承担法律责任。不过,仍有大量fork和镜像供想要检查暴露代码的人使用。
当被问及是否考虑要求人们删除其暴露源码的仓库时,Anthropic除了之前的声明外没有更多表态。
Q&A
Q1:Claude Code源代码是如何泄露的?
A:泄露源于Anthropic在Claude Code的npm包中错误包含了映射文件,该文件引用了未混淆的TypeScript源码。映射文件指向Anthropic的Cloudflare R2存储桶上的zip压缩包,研究人员能够下载并解压获得完整源代码。
Q2:这次泄露包含了哪些内容?
A:泄露内容包括约1900个TypeScript文件,超过51.2万行代码,以及完整的斜杠命令库和内置工具。虽然规模庞大,但Claude Code此前已被逆向工程,所以并非完全保密的内容。
Q3:Anthropic对此次泄露事件如何回应?
A:Anthropic承认这是由人为错误导致的发布打包问题,而非安全漏洞,并强调没有客户数据或凭据暴露。公司表示正在推出措施防止类似事件再次发生,但对于是否要求删除GitHub上的相关仓库没有进一步表态。
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。