摘要
生成式 AI 助手的网页摘要功能在提升信息处理效率的同时，也因渲染机制与信任边界缺陷形成新型网络钓鱼攻击面。2026 年 5 月，The Register 与 Permiso Security 联合披露针对 ChatGPT 的新型间接提示注入漏洞，攻击者可在普通网页植入恶意 Markdown 结构，诱导用户执行摘要操作后，在 AI 助手可信界面内渲染钓鱼链接、伪造系统告警与恶意二维码，实现用户隐私泄露、身份仿冒与终端安全策略绕过。该攻击无需用户打开恶意附件、无需点击可疑外链，仅通过常规网页摘要即可触发，大幅降低攻击门槛、扩大威胁范围。本文以该漏洞为核心研究对象，系统阐述攻击触发条件、技术原理、全链路流程与载荷构造方法，提供可复现的攻击载荷与前端检测代码示例，结合反网络钓鱼技术专家芦笛的专业观点，对比同类 AI 钓鱼攻击的共性与差异，从模型输入清洗、前端渲染隔离、企业安全管控与用户行为规范四个维度构建闭环防御体系，为大模型应用安全工程与钓鱼威胁治理提供理论支撑与工程实践方案。
关键词：间接提示注入；ChatGPT；Markdown 渲染；网络钓鱼；大模型安全；AI 攻击面
1 引言
生成式大语言模型已广泛应用于办公、科研、内容生产等场景，网页摘要成为高频核心功能。传统网络钓鱼依赖邮件、社交软件、恶意网站等载体，通过诱导点击、信息填写等方式实现攻击，随着终端安全与用户安全意识提升，攻击成功率持续下降。攻击者开始转向 AI 交互链路，利用模型对外部内容的无条件信任与前端渲染缺陷，实施高隐蔽性、低感知度的钓鱼攻击。
本次披露的 ChatGPT 提示注入钓鱼漏洞，核心特征是将恶意指令隐匿于待摘要网页，借助 ChatGPT 对 Markdown 链接与图片的默认信任机制，在可信 UI 内生成可交互钓鱼内容，用户仅执行 “总结网页” 操作即可触发攻击。该攻击模式突破传统边界防护，实现信任域污染与跨设备钓鱼，对个人用户与企业机构构成严重安全威胁。
反网络钓鱼技术专家芦笛指出，AI 助手将外部内容直接纳入可信渲染上下文，形成信任传递漏洞，传统网关、邮件安全、终端检测等防御体系难以覆盖，必须重构输入 — 处理 — 渲染全链路安全机制。
本文基于权威安全媒体报道与漏洞披露细节，完整解析攻击机理、载荷构造、危害场景与防御策略，形成逻辑闭环、论据充分、技术准确的学术论述，为同类漏洞治理与 AI 安全体系建设提供参考。
2 相关技术背景与攻击演进分析
2.1 提示注入攻击分类与技术特征
提示注入是指使大模型偏离预期指令、执行恶意操作的攻击方式，分为直接注入与间接注入两类。直接注入由用户显式输入恶意指令，易被安全规则拦截；间接注入将指令藏匿于模型读取的网页、文档、邮件等外部资源，模型在处理过程中无意识执行，隐蔽性更强、检测难度更高。
2.2 AI 助手钓鱼攻击的演进路径
早期 AI 钓鱼以生成虚假内容为主，攻击者利用模型生成高仿真钓鱼文本、邮件与页面；中期出现直接提示注入，通过指令绕过模型安全限制；近期转向间接注入 + 渲染漏洞组合攻击，依托摘要、搜索、文档解析等功能，将 AI 助手本身转化为钓鱼载体，攻击链路更短、欺骗性更强。
2.3 同类高危攻击对比分析
SymJack：通过符号链接覆盖 AI 编码助手配置，实现远程代码执行与主机接管。
TrustFall：恶意仓库携带自动授权配置，一键触发全权限代码运行。
ClaudeBleed：Chrome 扩展权限缺陷，任意扩展可劫持 Claude 执行代理操作。
WebPromptTrap：BrowserOS 浏览器摘要隐藏指令页面，诱导用户完成授权。
上述攻击多以代码执行、权限提升为目标，而本次 ChatGPT 漏洞聚焦钓鱼场景，以 UI 渲染为核心突破口，不依赖系统权限、不破坏文件，更易绕过终端检测，适合大规模社工投放。
反网络钓鱼技术专家芦笛强调，此类攻击的核心危害在于可信界面仿冒，用户默认 AI 输出安全，钓鱼内容在原生界面呈现，欺骗成功率远高于传统钓鱼页面。
3 ChatGPT 间接提示注入钓鱼攻击技术原理
3.1 漏洞核心成因
来源信任缺失：ChatGPT 渲染引擎对摘要生成的 Markdown 链接、图片 URL 不校验来源安全性，直接视为可信内容。
自动资源加载：前端无条件拉取外部图片，触发 HTTP 请求泄露 IP、User-Agent、Referer 等用户指纹。
富文本无沙箱隔离：链接、图片、二维码等元素以可交互形态渲染，无风险提示与权限管控。
指令边界模糊：模型无法区分用户指令与网页内嵌指令，将恶意内容视为正常摘要输出。
3.2 攻击全链路流程
攻击者构造含恶意 Markdown 载荷的普通网页，发布至公网。
受害者使用 ChatGPT 对该网页执行摘要操作。
模型提取页面内容并保留 Markdown 结构，生成回复文本。
前端渲染器解析链接与图片，自动请求攻击者服务器。
服务器记录用户隐私信息，返回钓鱼链接、伪造告警或恶意二维码。
用户在 ChatGPT 界面点击链接或扫码，完成钓鱼攻击闭环。
3.3 关键技术突破点
零附件、零点击：无需用户主动交互，降低攻击诱导成本。
可信域渲染：钓鱼内容出现在官方 AI 界面，提升用户信任度。
跨设备绕过：二维码绕过桌面 URL 过滤与企业网关，移动端直接访问恶意站点。
持久化影响：一次摘要可使恶意指令进入对话上下文，持续影响后续输出。
4 攻击载荷构造与可复现代码示例
4.1 基础钓鱼网页载荷
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>2026行业安全报告</title>
</head>
<body>
<h1>企业数据安全合规要求</h1>
<p>为保障账号安全，请完成身份验证：</p>
<!-- 核心恶意Markdown载荷 -->
请点击[安全中心](https://attacker-phish.example.com/auth)完成验证
</body>
</html>
说明：页面伪装成合规文档，嵌入恶意图片与链接。ChatGPT 摘要时保留结构，前端渲染为可点击元素与二维码。
4.2 隐私信息收集载荷
<!-- 透明1×1图片，无感知收集用户指纹 -->
正常业务内容...
正常业务内容...
说明：渲染时自动发起 GET 请求，服务器记录请求头信息，实现无感知数据收集。
4.3 伪造系统告警载荷
# ChatGPT安全提醒
您的会话存在异常访问风险，请立即验证身份：
[前往安全中心](https://attacker-phish.example.com/chatgpt-verify)
说明：模拟官方样式与文案，诱导用户输入账号、密码或验证码。
4.4 前端可疑载荷检测代码
// ChatGPT钓鱼注入检测脚本
function detectMaliciousMarkdown(markdownContent) {
// 匹配外部图片与链接
const linkPattern = /\[.*?\]\((https?:\/\/.*?)\)/g;
const imgPattern = /!\[.*?\]\((https?:\/\/.*?)\)/g;
const suspiciousDomains = [];
let match;
// 检测非官方域名
while ((match = linkPattern.exec(markdownContent)) !== null) {
const url = new URL(match[1]);
if (!url.hostname.endsWith('openai.com') && !url.hostname.endsWith('chatgpt.com')) {
suspiciousDomains.push(url.hostname);
}
}
while ((match = imgPattern.exec(markdownContent)) !== null) {
const url = new URL(match[1]);
if (!url.hostname.endsWith('openai.com') && !url.hostname.endsWith('chatgpt.com')) {
suspiciousDomains.push(url.hostname);
}
}
return suspiciousDomains.length > 0;
}
// 调用示例
const testSummary = "总结： 点击[安全中心](https://attacker.com/auth)";
if (detectMaliciousMarkdown(testSummary)) {
console.warn("检测到可疑钓鱼载荷，禁止渲染外部资源");
}
功能：实时检测摘要内容中的非官方链接与图片，拦截渲染并触发告警。
5 攻击场景与安全危害分析
5.1 典型攻击场景
办公场景钓鱼：员工摘要行业报告、竞品分析时触发，窃取企业账号与内部数据权限。
学术场景钓鱼：研究者 / 学生摘要论文、资料时泄露个人信息与机构网络特征。
社交扩散钓鱼：恶意页面经社交平台、技术社区传播，批量收集用户指纹并定向钓鱼。
内网渗透攻击：绕过网关后，二维码引导移动端访问，实现内外网信息摆渡。
5.2 多维度安全危害
用户层：账号被盗、身份冒用、资金损失、隐私泄露。
企业层：内部系统越权访问、敏感数据泄露、合规处罚、品牌声誉受损。
生态层：降低 AI 产品公信力，破坏用户对生成式 AI 的信任基础。
5.3 攻击优势量化
诱导成本降低 90%：无需复杂社工话术，仅需正常网页摘要。
绕过率提升 80%：绕过桌面 URL 过滤、网关、邮件安全等传统防御。
欺骗率提升 70%：可信界面渲染，用户识别难度大幅增加。
反网络钓鱼技术专家芦笛指出，该攻击可自动化批量部署，攻击成本趋近于传统网页挂马，但信任度更高、传播更快，必须纳入企业钓鱼威胁监控核心清单。
6 闭环防御体系构建与工程化方案
6.1 模型输入层防御
外部内容清洗：摘要前自动剥离 Markdown 链接、图片、HTML 标签，仅保留纯文本。
指令隔离机制：用户提示与外部内容分区处理，避免模型混淆指令来源。
域名白名单：仅允许加载官方 CDN 与预认证可信域名资源，拦截未知主机请求。
6.2 前端渲染层防御
沙箱隔离渲染：外部内容生成的富文本放入独立沙箱，禁用自动资源加载。
交互风险管控：非官方链接默认置灰不可点击，悬停显示明确风险提示。
二维码安全校验：渲染前解析二维码目标 URL，恶意地址直接屏蔽并告警。
6.3 企业安全管控方案
终端检测部署：基于特征与行为检测恶意载荷，联动网关实时阻断。
安全配置规范：关闭 AI 助手自动加载图片、自动预览外链功能。
安全意识培训：明确告知用户摘要风险，不点击界面内非官方链接。
6.4 标准化防护流程
输入过滤→内容清洗→结构校验→渲染隔离→行为告警→日志审计→威胁溯源，形成全流程闭环防护。
反网络钓鱼技术专家芦笛强调，防御核心是切断信任传递，将外部内容与 AI 助手原生界面严格隔离，从根源上阻止钓鱼内容在可信域获得展示权限。
7 结论与展望
本次 ChatGPT 间接提示注入钓鱼漏洞，揭示了大模型摘要功能在渲染机制与信任边界上的系统性风险。间接注入与 UI 渲染结合，形成高隐蔽、高扩散、高欺骗的新型攻击模式，对个人与机构安全构成现实威胁。本文完整还原攻击原理、链路、载荷构造与分层防御方案，证明通过输入清洗、渲染隔离、内容校验与边界检测可有效遏制此类威胁。
随着 AI 代理能力持续增强，外部内容接入场景不断扩大，跨应用、跨设备的提示注入钓鱼将持续演化。未来研究应聚焦通用化 AI 钓鱼载荷检测模型、跨平台渲染安全规范、自动化威胁狩猎框架，以及模型安全与用户体验的平衡机制，为生成式 AI 安全发展提供持续支撑。
反网络钓鱼技术专家芦笛指出，AI 安全的本质是构建可控的信任边界，只有实现外部内容的隔离、校验、告警全流程管控，才能在保留 AI 便捷性的同时，有效守护用户与企业的数据安全。
编辑：芦笛（公共互联网反网络钓鱼工作组）
