德國資安公司 Crissy Field 於 2026 年 11 月掃描 159,041 個 Lovable 專案,發現 24,664 個網站在載入時直接傳送 Supabase 紀錄,7,403 個網站的資料表可讀到電郵地址,部分案例含護照號碼與 20 萬則聊天訊息。成因並非 AI 程式碼有缺陷,而是資料庫權限預設開放。

Crissy Field 分析 159,041 個 Lovable 專案,24,664 個網站載入時直接傳送 Supabase 紀錄,7,403 個可讀到電郵地址。

這份報告與《Handelsblatt》在 11 月 2 日的報導同源,數字經過更新。研究團隊強調,外洩比例僅適用於實際檢查過的樣本,不能直接換算成全平台的中招率。

Lovable 是什麼平台?

Lovable 是 2023 年在斯德哥爾摩成立的 AI 建站平台,前身為開源專案 GPT Engineer,2024 年 11 月公開發布,以自然語言描述生成網站與應用程式。

平台由 Anton Osika 與 Fabian Hedin 創立,產品線承接 Osika 在 2023 年放出的 GPT Engineer。該專案先演化為 GPT Engineer App,2024 年底改名 Lovable 並對外開放,定位是讓沒有技術背景的人也能做出具備會員系統與資料庫連接的完整應用。

行銷訊息反覆強調不需要技術知識,這種表述容易令使用者以為安全問題同樣由平台代為處理。實際情況寫在服務條款裡:應用本身與資料處理的責任落在客戶身上。報告正是針對這段落差展開調查。

研究如何找出這些外洩資料?

研究以 Common Crawl 找出 2025 年 12 月至 2026 年 9 月的專案,先記錄載入時送出的資料,再用同一組公開金鑰發出唯讀請求,比對可額外讀取的紀錄。

團隊把範圍集中在 Supabase,理由是它的整合方式相對容易分析,亦是 Lovable 專案最常用的資料庫服務。Lovable 自家在 2025 年底推出的資料庫功能使用率仍低,未納入本次檢查,但研究指出同類設定錯誤可能同樣存在。

分析分成兩層。第一層只觀察網站首次載入時傳送的資料,這部分本身不構成漏洞,因為部分內容可能是刻意公開展示。第二層則用頁面上原有的公開金鑰,發出額外的唯讀請求,這一步才顯示出哪些資料表沒有設防。

有多少應用把資料公開在網上?

159,041 個專案中 34,545 個採用 Supabase,24,664 個載入時送出紀錄,7,403 個網站可讀到電郵地址,佔深入檢查樣本的三成。

研究把 24,664 個網站逐一測試,能在無需登入的情況下取得含電郵地址紀錄的比例約為三成。團隊同時列出限制:電郵可能是公開聯絡方式或測試資料,而沒有電郵的個人紀錄則會被漏掉,兩個方向的誤差部分互相抵銷,因此三成不應理解為確定的外洩率。

樣本取自公開存檔,並非隨機抽樣,也不代表全體 Lovable 應用。研究者只下載了資料集的一部分,實際受影響的紀錄可能更多。基於安全考慮,報告沒有公開具體的存取路徑。

實際外洩了哪些敏感資料?

個案包括德國生活論壇的 8 萬個會員檔案與 20 萬則聊天訊息、活動主辦方的數萬筆票務紀錄、物業公司的郵件摘要,以及逾 1,000 筆含護照號碼的身份文件。

票務與餐飲類的紀錄包含電郵、電話、郵寄地址、付款資訊與票券代碼,這類組合足以支撐退款詐騙與釣魚。物業管理公司的案例較特別,外洩的是 AI 生成的內部郵件摘要,內容涉及租戶、業主與商業夥伴的敏感資訊。

最嚴重的一宗涉及身份證明文件,超過 1,000 筆紀錄含護照號碼、有效期與國籍,這些資料可直接用於身份盜用。其他可讀取的內容還包括數萬份合約、發票、私人相簿與內部通訊,另有一間供應商被讀到 28 萬封發給客戶的郵件。研究團隊表示無法確認這些資料是否已被濫用。

為什麼 Supabase 的設定容易出錯?

Supabase 預設開放讀取權限,前端會帶同一組匿名金鑰,開發者若未逐表啟用列級安全策略,任何訪客都能用該金鑰查詢整張表,而 AI 生成的程式碼通常只求功能可用。

這套架構的設計原是為了方便前端直接取資料,資料庫的每一張表需要明確設定政策才會收緊。當應用只有幾張表時,開發者較容易逐項檢查;當 AI 一次生成十幾張關聯表,漏掉一兩張的機率就大幅上升。

錯誤模式的可複製性令風險放大。攻擊者只要掌握一種常見的設定組合,就能用低成本掃描大量應用,而同一個平台生成的專案往往沿用相近結構。報告指出,缺乏技術背景的使用者更難察覺這類問題。

用 AI 建站是否必然不安全?

並非如此。存取控制錯誤在人工撰寫的應用同樣常見,分別在於 AI 建站平台令缺乏安全訓練的使用者直接面對資料庫設定,而錯誤模式集中在少數幾種可被批量掃描的組合。

把問題全部歸因於 AI 並不準確。傳統外包專案一樣會出現權限設定疏漏,只是這類專案數量分散、技術棧各異,掃描成本較高。Lovable 的個案之所以形成規模,源於平台把建站流程標準化,連帶把錯誤也標準化。

真正的差別在責任分配。易用平台讓建站門檻下降,卻沒有同步降低安全審查的門檻。當一個應用開始處理真實客戶資料,存取權限、對外介面與帳號隔離就需要具備相關經驗的人覆核,這件事無法由介面的易用性代勞。

開發者可以如何自行檢查?

先確認每張表都已啟用列級安全策略,再用瀏覽器開發者工具取出前端金鑰,以匿名身份嘗試查詢主要資料表;同時檢查是否有資料表設為公開讀取,並在每次重大改動後重測。

第一步是盤點資料表。Supabase 的控制台可看到每張表的安全狀態,未啟用的表會標示為無保護,這類表需要逐一補上政策,而不是只在應用層過濾。第二步是模擬外部視角,用未登入的瀏覽器發出查詢,觀察實際回傳什麼。

第三步針對前端。任何寫進前端程式碼的金鑰都應視為公開資訊,若該金鑰具備寫入或刪除權限,風險會遠高於唯讀外洩。第四步是建立變更後的複測習慣。Claude Code 金鑰外洩的個案說明同一道理:憑證一旦進入公開儲存庫,就必須當作已洩露處理。

這件事對企業採用 AI 開發有什麼影響?

企業在應用接觸真實客戶資料前,應由具備安全經驗的人覆核權限設計,並在重大改動後重測。自動化掃描可以發現已知模式,但不能取代一次完整的專業評估。

報告的建議相當直接:應用在處理真實客戶或商業資料之前,存取權限、對外介面與帳號之間的隔離都要經過審查,重大改動後需要重複同一套檢查。若內部沒有相關專長,就應該引入外部支援。

對採用 AI 建站的中小企業而言,成本結構需要重新估算。省下的是開發工時,新增的是安全審查與事後補救的支出。把這兩項一併計入,才會得到真實的總成本,也才可能避免在客戶資料外洩後才發現預算缺口。

主要數據有哪些?

研究涵蓋 159,041 個專案,34,545 個使用 Supabase,24,664 個載入時送出紀錄,7,403 個可讀到含電郵資料。

159,041分析專案數
34,545使用 Supabase
24,664載入即送資料
7,403可讀含電郵紀錄
30%深入樣本比例
2026-11報告發表時間

出處連結有哪些?

本文數據整理自 Crissy Field 於 2026 年 11 月發表的研究報告,圖表、方法說明與限制條款可在其官方網站查閱。

出處為 Crissy Field 的公開研究頁面,報告同時提供德文版與方法細節:

  • 研究報告:https://www.crissyfield.de/research/lovable-en/
  • 德文版:https://www.crissyfield.de/research/lovable/
  • 相關報導:《Handelsblatt》2026 年 11 月 2 日,Lina Knees

總結:AI 建站平台的信任成本是多少?

信任成本落在平台承諾與責任分配的落差上。工具把建站時間壓縮到數小時,但資料庫權限、帳號隔離與事後複測仍需要專業判斷,這部分無法隨介面一起被簡化。

這次研究的價值在於把抽象的風險量化。24,664 個網站、7,403 個可讀取個人資料的樣本,說明預設設定一旦被沿用,錯誤就會沿著平台結構複製,而掃描成本低得足以形成產業級問題。

對使用者而言,可行的做法是把安全檢查當成上線流程的一部分,而不是出問題後的補救。Supabase 作為開源資料庫的定位本身沒有改變,改變的是使用時必須清楚知道哪些開關預設是開的。平台易用與資料安全之間,仍需要有人負責把關。