コーディングエージェントのプロンプトインジェクション対策
攻撃者が書き込めるテキストは、サーバー上のコーディングエージェントに命令として届きます。実際の侵入経路を整理し、被害を減らす対策を優先順位付きで解説します。
コーディングエージェントに対するプロンプトインジェクションとは
コーディングエージェントに対するプロンプトインジェクションは、簡単に説明できます。エージェントが読むテキストが、エージェントが従う命令として扱われます。エージェントは、ファイル、pull request のコメント、Web ページ、またはツール呼び出しの結果を開きます。これらはすべて、ユーザー自身のリクエストと同じ種類のテキストとして届きます。攻撃者がそのテキストのいずれかを制御できる場合、攻撃者はユーザーのセッションに書き込んでいることになります。
現在のすべてのエージェント製品に、この性質があります。モデルは、1 つのトークン列を受け取ります。ユーザーのリクエスト、system prompt、ファイルの内容、ツールの結果が連結され、モデルは次に続く内容を予測します。トークンに権限を示すビットはありません。どの部分をユーザーが承認したのか、どの部分が第三者の README ファイルに由来するのかを、形式から判別することはできません。
このページでは脅威モデルを扱います。攻撃者が制御するテキストがサーバー上で実行されるエージェントに到達する経路、その各時点で攻撃者が得るもの、そして対策にかける価値がある労力を説明します。他のガイドで説明している封じ込めの方法は、エージェントから何を封じ込めるのかを理解して初めて意味を持ちます。
モデルがコンテンツと命令を分離できない理由
トレーニングは役立ちますが、問題を解決するものではありません。現在のモデルは、取得したテキストを警戒して扱うようにトレーニングされており、単純な試みの多くを拒否します。ただし、拒否は確率的な動作であり、ルールではありません。攻撃者は表現を変えて再試行したり、想定外の形式にテキストを隠したりできます。試行できる表現の数にも制限はありません。
OWASP GenAI project は、この問題を LLM01:2026 Prompt Injection として追跡しています。これは LLM Applications 向けの 2026 Top 10 の最初の項目です。また、この問題を2つに分けています。直接インジェクションは、ユーザーまたはユーザーのアクセス権を持つ攻撃者がモデルに直接入力し、モデルの動作を変えるものです。間接インジェクションは、Web サイトやファイルなどの外部コンテンツをモデルが処理した際に、動作が変わるものです。サーバー上で重要なのは間接インジェクションです。エージェントは、ユーザーが入力するテキストよりもはるかに多くのテキストを読み取るためです。
この問題を初めて体系的に研究したのは、Greshake らによる Not what you've signed up for (2023) です。覚えておくべき結論は次の一文です。アプリケーションがツールを呼び出せるモデルに取得したテキストを入力すると、そのテキストの処理は、任意のコード実行に近い動作になります。
読み取りが侵害につながる条件
悪意のあるテキストを読むだけでは、それ自体は被害になりません。被害が発生するには、マシンの外部へ出る経路が必要です。
Simon Willison は、2025 年 6 月にこの組み合わせを致命的な三要素と名付けました。機密データを保持し、信頼できないコンテンツにさらされ、外部へデータを送信できるエージェントは、最初の要素を3番目の経路から外部へ移すよう誘導される可能性があります。
VPS 上のコーディングエージェントは、初日からこれらすべてを備えています。機密データは、ソースコード、.env ファイル、SSH キー、シェル履歴です。信頼できないコンテンツは、読み取るすべてのリポジトリ、ページ、ツールの結果です。外部へ出る経路は、git push、curl、npm publish、プルリクエストの本文、またはターミナルに表示されてクリックするリンクです。
2番目の条件は取り除けません。信頼できないテキストを読むことが、エージェントに任せた仕事だからです。したがって、実用的な防御はすべて、残りの2つの条件に対して行います。
サーバー上のコーディングエージェントに信頼できないテキストが到達する場所
エージェントが作業するリポジトリ
チェックアウト内のすべてのファイルが入力です。ソースコードのコメント、README.md、変更履歴、テスト用フィクスチャ、ベンダーコード、エージェント用の指示ファイル自体が該当します。CLAUDE.md、AGENTS.mdおよびそれらに相当するファイルも含まれます。コードベースの理解を求められたエージェントは、これらを読みます。それが依頼した処理だからです。
攻撃者は、リポジトリをクローンしてエージェントを向けるすべての人に影響を及ぼせます。指示ファイルは、指示として読まれることを目的としているため、最も直接的な経路です。CLAUDE.mdに役立つ4行と、エージェントを別の動作へ誘導する1行を追加したプルリクエストは、人間のレビュアーが流し読みして見逃す変更になり得ます。
Issue、プルリクエスト、コードレビューのコメント
トラッカーに第三者が入力できる内容は、トリアージを依頼した時点でエージェントに届きます。2025年5月、Invariant Labsはこの構造に該当するGitHub MCPの調査結果を公開しました。ある開発者のエージェントは、1つの公開リポジトリと複数の非公開リポジトリにアクセスできました。攻撃者は公開リポジトリにIssueを登録しました。開発者がエージェントにオープンなIssueの確認を依頼すると、エージェントは非公開リポジトリの内容を読み取り、公開側のプルリクエストに書き込みました。
この報告が示すのは、MCPサーバーのコード不具合ではなく、アーキテクチャ上の問題です。エージェントは広範な権限を持つ1つのアクセストークンを使用し、公開された受信箱から読み取り、書き込みも許可されていました。通常の意味で設定を誤っていたわけではありません。そのため必要なのはパッチではなく、権限のスコープ設定です。
エージェントが取得する Web ページ
ドキュメント、フォーラムの回答、ベンダーのページ、検索結果などです。いずれにも、利用者ではなくエージェントに向けて書かれたテキストが含まれる可能性があります。HTMLをテキストに変換すると、ブラウザーに表示されない内容もモデルに届くため、攻撃者が利用できる余地が広がります。
攻撃者は、エージェントが最も監視されていない時点で制御を得ます。エージェントが検索中に取得したページの全文を読む人はいません。
MCPツールの出力
MCP(model context protocol)は、エージェントを外部ツールに接続する一般的な方法です。結果はテキストとして返され、そのままコンテキストウィンドウに入ります。ここには1つではなく2つの攻撃面があります。ツールが返すデータが1つ目です。モデルが呼び出し時期を判断するために読む、ツール自体の名前と説明がもう1つです。管理していないサーバーは、呼び出しの間にどちらも変更できます。
攻撃者が1つのツールの出力にテキストを入り込ませると、エージェントが利用する他のすべてのツールに到達します。これにより、価値の低い処理へのインジェクションが、価値の高い処理を実行させることがあります。
CIログ、ビルド出力、依存関係のメタデータ
npm installは、自分で作成していないパッケージからのテキストを出力します。テストが失敗すると、ライブラリ由来のアサーションメッセージが出力されます。継続的インテグレーション(CI)のジョブログには、サードパーティーの出力が数千行含まれます。エージェントに失敗したビルドの修正を依頼すると、エージェントはそのすべてを読み取ります。
この場合、攻撃者が得るのはビルドマシンへの足掛かりです。ビルドマシンには通常、デプロイ用の認証情報やレジストリトークンが保存されています。一方で、ノートPCほど注意深く監視されていないことが多くあります。
攻撃者が実際に取得できるもの
想定しておくべき結果は4つあります。
認証情報の窃取。 エージェントプロセスが読み取れるものはすべて対象になります。環境変数、~/.aws/credentials、~/.ssh、ghトークン、Docker設定ファイルなどです。これらの外部送信に curl は必要ありません。ブランチへのコミット、プルリクエストの説明、レジストリへのパッケージ公開、攻撃者が管理する名前へのDNS問い合わせによっても、データはホストの外部へ移動します。
承認してしまうコード変更。 エージェントの役割はコードを書くことです。そのため、わずかに誤った行を書かせるのが最も容易な結果です。依存関係の追加や、トークンを別の場所へ送信するログに含めるロギング呼び出しなどが該当します。
永続化。 一度書き込まれたファイルは、モデルが動作していなくても機能し続けます。.git/hooks のフック、package.json 内の postinstall スクリプト、シェルの起動ファイルに追加された行、CLAUDE.md の追加行などです。次のコマンドがそれを実行します。
ネットワーク内部での横移動。 エージェントは配置した場所で実行されます。そのホストから loopback 上のデータベース、内部管理サービス、クラウドプロバイダーのメタデータサービス、またはプライベートネットワーク上の別ホストへ接続できる場合、エージェントを操作するものも同じ接続を利用できます。
自動承認モードは最後の確認をなくします
Manual モードでは、設定値が default の場合、Claude Code はコマンドを実行したりファイルを編集したりする前に確認を求めます。このプロンプトが、上記の各経路と実際の操作の間にある人間による確認です。プロンプトをなくすモードでは、この確認もなくなります。Claude Code v2.1.283 以降、セッションは Manual から開始されません。設定で別のモードを指定しない限り、対話型ターミナルと VS Code のセッションは自動モードで開始されます(2026 年 10 月に確認)。
ドキュメントは bypassPermissions について明確に説明しています。Claude Code が損害を発生させられないコンテナや VM など、隔離された環境でのみ使用してください。自動モードはこれより緩やかです。別の分類モデルが実行前に操作を確認し、要求を超えて権限を拡大する操作、認識されていないインフラストラクチャを対象とする操作、Claude が読み取った悪意のあるコンテンツに誘導されたように見える操作をブロックします。これらの確認で多くの問題を検出できます。ただし、モデルの出力をモデルが判断していることに変わりはないため、境界ではなくフィルターとして扱ってください。
プロンプトを維持するには、~/.claude/settings.json またはプロジェクトの .claude/settings.json で permissions.defaultMode を "default"(または別名の "manual")に設定します。管理者は、残り 2 つのモードを完全に削除できます。設定ファイルで permissions.disableBypassPermissionsMode または permissions.disableAutoMode を "disable" に設定し、そのファイルを管理対象設定に配置してください。これにより、チェックアウトしたプロジェクトから設定を上書きできなくなります。各ルールが有効になる場所については、Claude Code の自動モードと権限ルールのガイドで説明しています。
防御策を得られる効果の大きい順に並べる
どれも完全な対策ではありません。それぞれ、エージェントが保持するものを減らすか、保持したものを使って実行できる操作を制限します。
- 破棄して再構築できるマシン。侵害されても、インシデント対応ではなく 1 時間の再構築で済みます。
- 自分の認証情報とは分離し、1 つのリポジトリに限定し、有効期間を短くした認証情報。
- エージェントが実行するコマンドに継承される環境に、長期有効な Secret を置かないこと。
- ネットワーク送信とファイルアクセスをオペレーティングシステムで強制すること。エージェントが起動するすべてのプロセスに適用されます。
- 書き込みとネットワーク呼び出しに対する承認プロンプトを有効にしておくこと。
- 名前を特定できる操作に対する、決定論的な最後の防波堤としてフックを使うこと。
- マージする前に diff を読むこと。
順序には意味があります。1 から 4 は、モデルが攻撃者に完全に制御されていても機能します。5 から 7 は人間が注意を払うことに依存します。しかし、エージェントの長時間実行中には、まさにその注意が失われます。
破棄できるマシンにエージェントを配置する
checkout と 1 つのスコープ限定トークンだけを保持する VPS は、鍵を保存したノートパソコンよりも、攻撃者にとってはるかに小さな標的です。エージェントは専用の非特権ユーザーとして実行してください。自分のログインアカウントや root では実行しないでください。コーディングエージェント用の使い捨て VM と VPS 上の最小権限ユーザー に関するガイドではセットアップを説明しています。VPS 上で Claude Code を安全に実行するでは、日常的な運用方法を説明しています。
環境から Secret を取り除く
環境変数はすべての子プロセスから読み取れます。つまり、エージェントが実行するすべてのコマンドから読み取れます。Claude Code の sandbox では、sandbox 内でコマンドを実行する前に、指定した変数を unset できます。Linux では、最初に 2 つのパッケージが必要です。
sudo apt-get install bubblewrap socatUbuntu 24.04 以降では、既定の AppArmor ポリシーにより、bubblewrap が必要とする user namespace を作成できません。sysctl kernel.apparmor_restrict_unprivileged_userns が 1 を返す場合は、Claude Code の sandboxing ドキュメントに記載された bwrap 用の短い AppArmor プロファイルを追加し、AppArmor を reload してください。
次に ~/.claude/settings.json で設定します。
{
"sandbox": {
"enabled": true,
"network": {
"allowedDomains": ["github.com", "*.npmjs.org"],
"strictAllowlist": true
},
"credentials": {
"envVars": [
{ "name": "GITHUB_TOKEN", "mode": "deny" },
{ "name": "NPM_TOKEN", "mode": "deny" }
]
}
}
}deny の設定は、sandbox 内でコマンドを実行する前に、その変数を unset します。allowedDomains には、sandbox 内のコマンドが接続できるホストを指定します。strictAllowlist がない場合、その一覧にないホストへの対応は permission mode で決まります。Manual mode では確認を求め、auto mode では 1 つのコマンドに限り、classifier が追加のホストへの接続を許可できます。代わりに strictAllowlist を指定すると、一覧にないホストへの接続をすべて拒否します。これには Claude Code v2.1.219 以降が必要です。また、ユーザー設定または managed settings からのみ有効になるため、リポジトリから無効化できません(2026 年 10 月確認)。credentials ブロックには Claude Code v2.1.187 以降が必要です(2026 年 8 月確認)。セッション内で /sandbox を実行すると、有効なレイヤーと不足している依存関係を確認できます。そのマシン上にそもそも存在させる必要がある Secret を選別することが、作業の大半を占めます。AI エージェントの到達範囲から Secret を遠ざけるでは、その方法を説明しています。
オペレーティングシステムでネットワーク送信を制限する
ファイアウォールルールは、モデルが何を判断したかを考慮しません。エージェントを専用の agent ユーザーとして実行し、そのユーザーから送信される通信を drop します。
table inet agentcage {
chain output {
type filter hook output priority filter; policy accept;
meta skuid "agent" ct state established,related accept
meta skuid "agent" oif lo accept
meta skuid "agent" counter drop
}
}これにより agent ユーザーは loopback のみに接続できるため、通信は同じマシン上で実行する proxy を経由する必要があります。接続先の許可リストは proxy が保持します。https_proxy をその proxy に向けると、client は CONNECT リクエストを送信し、proxy が名前解決を実行します。そのため、エージェント自身に outbound DNS(domain name system)は必要ありません。sudo nft list ruleset で設定を確認し、エージェントが新しい接続先へのアクセスを試みる間に drop ルールのカウンターが増えることを確認してください。
ファイアウォールを変更するときは、別の SSH セッションを開いたままにしてください。container runtime がこれらのルールに対して行う処理も確認してください。Docker は独自の chain を書き込みます。公開した Docker ポートが ufw をバイパスするでは、その予期しにくい動作について説明しています。
フック: モデルが言い逃れできないチェック
Permission rule と hook はモデルではなく Claude Code によって適用されます。ドキュメントにも明記されています。prompt または CLAUDE.md の指示は Claude が実行しようとする操作を形作りますが、Claude Code が許可する操作は変更しません。この違いに価値があります。CLAUDE.md に「curl を実行しない」と書いても、注入された段落によって覆される可能性がある提案にすぎません。hook は exit code を返すプロセスです。
PreToolUse hook を .claude/settings.json に登録します。
{
"hooks": {
"PreToolUse": [
{
"matcher": "Bash",
"hooks": [
{
"type": "command",
"command": "${CLAUDE_PROJECT_DIR}/.claude/hooks/no-egress.sh"
}
]
}
]
}
}hook は tool call を JSON として standard input から受け取ります。exit code 2 を返すと call をブロックし、standard error の理由を Claude に表示します。exit code 0 を返すと、通常の permission flow に従って call を続行します。
#!/usr/bin/env bash
# PreToolUse: stdin holds the tool call, exit 2 blocks it.
cmd=$(jq -r '.tool_input.command // ""')
if printf '%s' "$cmd" | grep -qE '(^|[;&|]|\s)(curl|wget|nc|ncat)(\s|$)'; then
echo "Blocked: this repository does not allow outbound network commands." >&2
exit 2
fi
exit 0ここで重要な点があります。これは shell string に対する denylist です。shell string に対する denylist には抜け道があります。python3 -c は curl という語を使わずに socket を開きます。make deploy target を使えば、同じ call をさらに 1 段階下に隠せます。名前を特定できる誤操作には hook を作成してください。実際に依存する境界は kernel または network に置いてください。
Permission deny rule にも、知っておくべき照合範囲の制限があります。Read と Edit の deny rule は、Claude 自身の file tool と、Bash で Claude が認識する file command を対象にします。対象には cat、head、tail、sed などがあります。ファイルを直接開く Python または Node の script には適用されません。ルールは deny、ask、allow の順に評価されます。そのため、deny rule に allowlist の例外を追加することはできません。
{
"permissions": {
"deny": [
"Read(.env)",
"Read(./secrets/**)",
"Bash(git push *)"
]
}
}外部に送信される内容を監視し、diff を読む
エージェントの実行では、diff と複数の network call が生成されます。どちらも merge または deploy の前に確認してください。self-hosted の security review passで diff を確認すると、人間がざっと読むだけでは見つけにくい種類の変更を検出できます。coding agent がマシン外へ送信する内容を把握すると、通常の traffic が分かるため、異常な request が目立ちます。
未解決の課題
現在、コンテンツと命令を確実に分離する仕組みはありません。提供されている防御策は、いずれも誤検知や見逃しが発生するフィルターか、被害を抑えるための制限です。テキストの一部を、決して従ってはならないデータとしてスタック内で明示する仕組みはありません。
フィルターは役立ちますが、失敗もします。ほとんどのプロンプトインジェクションを検出できる分類器でも、毎回正しく判定しなければなりません。一方、攻撃者は1回成功すれば十分です。この非対称性があるため、防御策の公表成功率は保証ではなく、次の攻撃を試す際の出発点になります。
最も有望な研究は、モデルレベルではなく設計レベルで進んでいます。Defeating Prompt Injections by Design の CaMeL(Debenedetti ら、2025)は、まず信頼できるリクエストから制御フローとデータフローを抽出します。これにより、信頼できないデータがプログラムの動作を変更できないようにします。そのうえで、ツール呼び出し時に機能の権限チェックを適用します。このコストは、AgentDojo ベンチマークに関する論文自身の数値に示されています。
このグラフのデータ
[
{
"label": "Undefended agent",
"tasks_solved_pct": 84
},
{
"label": "CaMeL",
"tasks_solved_pct": 77
}
]防御されていないエージェントはタスクの 84 パーセントを解決しました。CaMeL は、セキュリティ保証付きで 77 パーセントを解決しました。これらは1つのベンチマークにおける論文の公表値であり、実際のワークロードを測定したものではありません。両者の差は、現在の現実的な保証にかかるコストのおおよその大きさです。
このような設計が、日常的に使用するツールへ組み込まれるまでは、エージェントがいずれ侵害されることを前提にし、その事態を問題にならないものにしてください。使い捨てのマシン、範囲を限定した認証情報、制御された外向き通信、そして差分を読む習慣が必要なのは、そのためです。
FAQ
ファイル内の指示を無視するようエージェントに伝えれば、プロンプトインジェクションを防げますか?
いいえ。その文も攻撃と同じコンテキストウィンドウ内のテキストであり、攻撃者のテキストと同じ条件で競合します。Claude Code のドキュメントは境界を明確に示しています。プロンプト内の指示や CLAUDE.md はエージェントが実行しようとする内容を決めますが、ツールで許可される操作は変更しません。指示ファイルは意図を示す文書として扱い、依存する内容は権限ルール、PreToolUse hook、またはファイアウォールルールに設定してください。
エージェントが自分のリポジトリだけを操作する場合でも、プロンプトインジェクションは現実的なリスクですか?
はい。リポジトリには、自分で書いていないテキストが大量に含まれているためです。依存関係の README ファイル、lockfile の URL、テスト用フィクスチャ、vendor code、npm install の出力は、通常のタスク中に取り込まれます。issue tracker やドキュメントサイトから取得した内容も同じです。エージェントが読む量が増えるほどリスクも高まります。実用的なエージェントは大量の情報を読み取ります。
エージェントをコンテナ内で実行すれば解決しますか?
被害は抑えられます。ただし、認証情報も取り除いた場合に限ります。SSH agent を転送し、環境変数に cloud credentials を設定し、ネットワークアクセスを制限していないコンテナでは、攻撃者にホスト上のほぼすべてを渡すことになります。コンテナによって得られる本当の利点は、削除できるファイルシステムと、egress ルールを適用できるクリーンな環境です。1 つのリポジトリに限定した token と組み合わせてください。
リスクを最も大きく減らす単一の変更は何ですか?
まず、エージェントのコマンドが継承する環境から長期間有効な認証情報を削除してください。次に、そのマシンにデフォルト拒否の egress ポリシーを設定してください。この 2 つを組み合わせると、致命的な三要素の 3 番目の条件を断ち切れます。テキストによってエージェントが乗っ取られる可能性は残りますが、エージェントが到達できるデータを有効な送信先へ送れなくなります。承認プロンプトと diff の確認も有効です。ただし、長時間の実行中も人間が注意を維持する必要があります。そのため、これら 2 つの変更より優先度は下がります。