安全与版权风险与规避

本节目标

• 认清 AI 代码的三类主要风险
• 知道每类风险的规避手段
• 能写一份团队 AI 编程"红绿灯"清单

三类风险：

① 安全：硬编码密钥、危险函数(eval)、依赖投毒
② 版权：训练数据含未授权代码，产出可能"撞脸"某 GPL 项目
③ 合规：某些行业（金融/医疗）对"AI 生成代码"有审计要求

规避手段：

安全 → 密钥走环境变量；禁 eval/exec 未过滤输入；依赖用 lockfile + 审计
版权 → 不把涉密代码喂给公有云模型；自训/本地模型处理敏感；产出做相似度自查
合规 → 保留"人类审阅记录"；关键系统强制 Code Review + 测试

团队红绿灯示例：

🟢 允许：用 AI 写样板、单测、重构建议（须 Review）
🟡 谨慎：AI 写涉及密钥/权限的代码（须安全 Review）
🔴 禁止：把客户数据/源码明文喂公有模型；AI 直接上生产不改审

名词解释

• 依赖投毒（Dependency Poisoning）：恶意包混入依赖树。AI 可能推荐不知名包，须用 lockfile 锁定并做审计。
• GPL 传染性（Copyleft）：GPL 类协议要求衍生作品也开源。若 AI 产出"撞脸"GPL 代码，商用有合规风险。
• 红绿灯清单（RAG List）：团队对"AI 能做什么"的允许/谨慎/禁止分级，把模糊的"能用 AI 吗"变成明确规则。

课后练习

1. 为什么"把公司源码明文喂给公有云模型"是 🔴 禁止项？
   • 答案：可能违反数据保密协议、把知识产权暴露给第三方，且模型方可能将输入用于训练；敏感代码应走本地/授权模型。
2. 依赖投毒如何防范？
   • 答案：锁定 lockfile、只装可信源、用 npm audit 等工具审计、警惕 AI 推荐的冷门包。

总结

安全和版权是 Vibe Coding 不能回避的成人话题。AI 让写代码变容易的同时，也让"不小心引入风险"变容易——一句硬编码密钥、一个冷门依赖、一段喂给公有模型的源码，都可能酿成事故。我的立场很明确：效率红利要拿，但红线不能碰。把风险分成安全/版权/合规三类，再落成团队"红绿灯清单"，是把个人谨慎变成组织能力的做法。特别要提醒：版权风险常被忽视——AI 产出可能无意间"撞脸"某开源协议，商用前做相似度自查是底线。Vibe Coding 的成熟标志，不是你用得多溜，而是你知道哪里绝对不能让它碰。负责任的 AI 协作，才是能长期跑下去的协作。