作業系統沙箱限制指令能碰到的資源,與權限規則是兩道邊界
深讀 L3 848 字 2 分鐘 v1.0.0 更新 2026-11-16
模型外圍負責執行流程的程式稱為 harness。模型提出請求時,harness 比對權限規則,結果是拒絕、詢問或放行。
作業系統沙箱限制放行後的指令能讀寫哪些檔案、連線到哪些網路。 指令獲准執行,不代表指令可以接觸所有資源。
先確認指令確實進入沙箱
Claude Code 與 OpenAI 的 coding agent Codex,在 macOS 用 Seatbelt,在 Linux 用 bubblewrap。沙箱的限制由這些作業系統機制執行,不是由 harness 自己的程式碼執行。
這個順序有一個前提:使用的 harness 必須真的提供沙箱。有些 harness 只靠詢問,因此看到確認提示,不能據此判斷指令已受到作業系統隔離。
下圖呈現請求到執行的流程。本篇關注放行後的去向:指令交給沙箱執行,資源範圍才由作業系統限制。
先比對拒絕規則。命中就不執行,並把原因回傳給模型。
執行前先建立可寫目錄與網路範圍
以下示意程式把沙箱內的執行包成 run_sandboxed。函式先建立 box,將可寫目錄放進 write,將允許連線的網域放進 network,最後才執行指令。
def run_sandboxed(call):
box = sandbox(write=[PROJECT_DIR],
network=ALLOWED_DOMAINS)
return box.run(call)PROJECT_DIR 表示可寫入的專案目錄,ALLOWED_DOMAINS 表示允許連線的網域。這是示意程式中的設定位置,不是可以直接套用到所有產品的設定檔。
下圖將這個函式放回完整流程,示範請求放行後如何進入 run_sandboxed。閱讀時可聚焦最後的函式,對照可寫目錄與允許網域如何傳入沙箱。
拒絕的原因回傳給模型。模型讀到後才會換做法。
用資料外送的條件決定檢查範圍
選擇限制範圍時,可以檢查 Simon Willison 列出的條件:讀得到私人資料、讀進不可信內容、能對外傳送。
三個條件同時成立時,內容中夾帶的指令就能把資料送出去,所以要避免三者同時成立。
另一個程序要另外確認限制
Codex 的沙箱只限制內建的 shell 工具,也就是執行命令的工具。MCP 是把服務操作提供為工具的開放標準;MCP 工具在另一個程序執行,需要另外限制範圍。
排查越界操作時,先辨認操作是經由內建 shell,還是 MCP 工具完成。若操作來自 MCP,就要查執行該工具的程序受到哪些限制,不能只查 shell 的沙箱設定。
被擋時怎麼讓模型知道
Cursor 的做法是把沙箱限制寫進工具說明與錯誤訊息。模型知道被擋的原因,就不會重試同一個指令。
來源
- Configure permissions Claude Code docs
- Choose a permission mode Claude Code docs
- Configure the sandboxed Bash tool Claude Code docs
- Codex: Sandbox OpenAI
- Implementing a secure sandbox for local agents Cursor
- The lethal trifecta for AI agents Simon Willison
- Permissions opencode docs