Numbat सह Perplexity च्या क्लायंट एंडपॉइंट्सवर एजंट सुरक्षित करणे

उपयोगी ठरण्यासाठी एआय एजंट्स सुरक्षित असणे आवश्यक आहे. जशा मॉडेल आणि सिस्टमच्या क्षमता वाढतात, तसेच वापरकर्त्यांचे संरक्षण करण्यासाठी आवश्यक असलेली सतर्कताही वाढते.

सुरुवातीच्या एजंट सुरक्षा संशोधनात प्रॉम्प्ट इन्जेक्शन आणि इतर प्रकारच्या अ‍ॅडव्हर्सरी इन्पुटवर लक्ष केंद्रित केले गेले होते. तरीही, एजंटच्या स्वायत्ततेमधील अलीकडील प्रगतीमुळे अशा सुरक्षा घटना समोर येत आहेत ज्यांच्यासाठी अ‍ॅडव्हर्सरी इन्पुट—किंवा कोणत्याही मानवी अ‍ॅडव्हर्सरीचे अस्तित्व गृहीत धरण्याची गरज नाही.

त्याऐवजी, उच्च-स्तरीय उद्दिष्टे साध्य करण्यासाठी निर्देशित केलेले एजंट, त्या उद्दिष्टांपर्यंत कसे पोहोचायचे याबद्दलच्या मार्गदर्शक सूचनांशिवाय, अ‍ॅडव्हर्सरी बनू शकतात. हे तेव्हा घडते जेव्हा एखादा एजंट, वापरकर्त्याने निर्दिष्ट केलेल्या उद्दिष्टाच्या प्रतिसादात, कृतीचा असा मार्ग निवडतो जो वापरकर्त्याला अभिप्रेत नव्हता आणि ज्याला त्याने मंजुरी दिली नसती. जरी अशा घटना काही महिन्यांपूर्वीच सैद्धांतिक मानल्या जात असल्या, तरी त्या झपाट्याने व्यावहारिक चिंतेचा विषय बनल्या आहेत.

हे वर्तन मॉडेल लेयरमध्ये पूर्णपणे पॅच केले जाऊ शकत नाही, त्यामुळे एका मजबूत संरक्षणाने बाहेरील सिस्टमचा भाग असलेल्या आजूबाजूच्या सिस्टममध्ये समाविष्ट असले पाहिजे, ज्यामध्ये बाहेरील जगाशी मॉडेलचा इंटरफेस म्हणून काम करणाऱ्या एजंट हार्नेसचा समावेश आहे. आम्ही Numbat ओपन-सोर्स करत आहोत, आमची एजंट सुरक्षा सूट जी बचावकर्त्यांना एजंट-संबंधित घटना रोखण्यासाठी, शोधण्यासाठी आणि कमी करण्यात मदत करते. Numbat एंटरप्राय्झ क्लायंट एंडपॉइंट्सवर सामान्यतः आढळणाऱ्या एजंट हार्नेसची ओळख पटवते आणि थेट त्यांच्याशी समाकलित होते, सुरक्षा नियम लागू करते आणि जलद शोध व प्रतिसाद सक्षम करते.

एजंट्सचा अवलंब केल्यामुळे डेव्हलपर, स्वीकारकर्ते आणि बचावकर्ते या सर्वांसाठी नवीन सुरक्षा आव्हाने निर्माण होतात. जेव्हा एंटरप्राय्झ एंटरप्राय्झ सिस्टम्स आणि डेटावर विशेषाधिकारप्राप्त प्रवेशासह क्लायंट एंडपॉइंट्सवर थेट एजंट तैनात करतात तेव्हा हे विशेषतः खरे असते.

क्लायंट एंडपॉइंट्सवरील एजंट तैनाती, जसे की CLI-आधारित किंवा डेस्कटॉप अॅप-आधारित कोडिंग एजंट्स, विविध पातळ्यांच्या सँडबॉक्सिंग आणि आयसोलेशनसह येतात. वापरकर्ते या एजंट्सचा असंख्य वापरप्रकरणांसाठी उपयोग करतात, आणि प्रत्येकासोबत स्वतःचा संबंधित कृती-प्रदेश असतो जो एंडपॉइंट स्वतःवर किंवा एंडपॉइंटवरून उपलब्ध असलेल्या इतर प्रणालींवर परिणाम करू शकतो. अधिकाधिक, एजंट्सनी अनेक तासांपर्यंत किंवा अगदी अनेक दिवसांपर्यंत स्वायत्तपणे कार्य करणे अपेक्षित आहे. या वर्कफ्लोजसाठी, अनेक वापरकर्ते एजंट कृती मंजुरी classifier-ना सोपवणे पसंत करतात, किंवा --dangerously-skip-permissions आणि --yolo यांसारख्या चिंताजनक नावांच्या configuration flags वापरून मंजुरी पूर्णपणे वगळतात. एजंट वापरप्रकरणांची आणि configurationची बहुलता, तसेच privileged endpoints वर coding agents करू शकणाऱ्या actionsची व्याप्ती, मिळून असा जोखीम profile तयार करते की ज्यासाठी security teamsकडून proactive management आवश्यक ठरते.

आज, आम्ही Numbat जारी करत आहोत, ही आम्ही तयार केलेली open-source एजंट security suite आहे, जी AI agentsकडून होणारी धोकादायक activity शोधण्यासाठी, तपासण्यासाठी आणि रोखण्यासाठी बनवली आहे. अधिकाधिक कंपन्या frontier agent products स्वीकारत असताना, Numbat security teamsना त्यातून निर्माण होणाऱ्या security challengesच्या गतीशी जुळवून घेण्यास सक्षम करते. ती सर्वाधिक वापरल्या जाणाऱ्या client-side agent harnessesपैकी प्रत्येकामध्ये एकत्रित होते, आणि त्या सर्वांमध्ये एकसारखे interface उघड करते. त्यामुळे Numbat security teamsना त्यांच्या वापरकर्त्यांनी अवलंबून असलेल्या प्रत्येक वैयक्तिक agentसाठी custom safeguards आणि monitoring tools तयार करण्याचा भार कमी करते. Numbat defender ecosystemसाठी Perplexityच्या membershipचा भाग म्हणून Open Secure AI Allianceमध्ये NVIDIA आणि इतर organizationsसोबत उपलब्ध आहे.

Numbat-सुरक्षित एजंट्सचे सिस्टम आर्किटेक्चर. Numbat स्थानिक-प्रथम शोध आणि एजंट-अज्ञेयवादी फॉरेन्सिकवर जोर देते.

हा लेख Numbat ला प्रवृत्त करणाऱ्या सुरक्षा आव्हानांच्या चर्चेने सुरू होतो. त्यानंतर आम्ही Numbat ची रचना आणि आर्किटेक्चर सादर करतो, सोबत Perplexity च्या हजारो स्वतःच्या एंडपॉइंट्सवर Numbat तैनात करण्याच्या आमच्या अनुभवांमधून शिकलेले धडे देतो.

एआय एजंट सुरक्षा घटनांचे लँडस्केप वेगाने विकसित होत आहे. विद्यमान एजंट सुरक्षा साहित्याचा बराचसा भाग इन्जेक्शन हल्ल्यांवर केंद्रित आहे, ज्यामध्ये एजंट्सना अयोग्य वर्तनामध्ये गोंधळात टाकण्यासाठी मॉडेल प्रॉम्प्ट किंवा संदर्भामध्ये दुर्भावनापूर्ण पेलोड ओळखला जातो. इन्जेक्शन हल्ले आणि सेफगार्ड्सचा विस्तृत अभ्यास केला गेला आहे, आणि Perplexity सह एजंट डेव्हलपर्सने इन्जेक्शन हल्ल्यांविरुद्ध वाढत्या मजबूत संरक्षण प्रणाली तयार केल्या आहेत.

परंतु सुरक्षा घटना तयार करण्यासाठी एआय एजंटला दुर्भावनापूर्ण पेलोडची आवश्यकता नसते. खर तर, कोणा, शत्रूचे अस्तित्व गृहीत धरण्याची गरज नाही. एक विश्वासू एजंट, प्रशासक-मान्यताप्राप्त साधनांसह विश्वासू वातावरणात काम करत असताना, केवळ त्याचे कार्य पूर्ण करण्यासाठी खूप प्रयत्न करत असल्यामुळे हानिकारक कृती करू शकतो.

संशोधक या अपयशाच्या मोडला “अपघाती मेल्टडाऊन” म्हणून वर्णन करतात: अ‍ॅडव्हर्सरी इन्पुटमुळे नाही, तर सामान्य पर्यावरण त्रुटीमुळे ट्रिगर झालेले हानिकारक एजंट वर्तन. गहाळ फाइल, अयशस्वी API विनंती, कालबाह्य झालेले क्रेडेन्शियल किंवा परवानगी नाकारल्याने एजंट वर्कअराउंड शोधू शकतो. त्याचे मूळ वापरकर्ता-निर्दिष्ट उद्दिष्ट पूर्ण करण्याच्या प्रयत्नात, एजंट अनधिकृत रेकग्झिन्सन्स, अ‍ॅक्सेस-कंट्रोल बदल, गुप्त शोध किंवा डेटा एक्झिल्ट्रेशनद्वारे सुरक्षा सीमा ओलांडू शकतो. आक्रमणकर्त्याद्वारे एजंट सामावून घेतल्या जाण्याऐवजी, एजंट स्वतः आक्रमणकर्ता असतो. शिवाय, आक्रमण अंतर्गत सिस्टम्स, बाहेरील सिस्टम्स किंवा दोन्हीना लक्ष्य करू शकते, आक्रमण आधीच सुरू होईपर्यंत हे जाणून घेण्याचा कोणताही मार्ग नसतो.

या महिन्यात पहिली व्यापकरीत्या नोंदवलेली अनवधानाने झालेली meltdown आली, जेव्हा OpenAIच्या disclosureने Hugging Faceच्या production infrastructureला बाधित करणाऱ्या agent-initiated attackचा खुलासा केला. prerelease GPT modelच्या evaluationsदरम्यान, दिलेल्या contextसह evaluationमध्ये पुढे प्रगती करणे modelला शक्य होत नव्हते. ही कोंडी फोडण्यासाठी, modelला त्याच्या sandbox testing environmentमधून बाहेर पडण्याचा आणि Hugging Faceकडून evaluation answers exfiltrate करण्याचा मार्ग सापडला. modelने त्याच्या harnessचा वापर करून intended network constraintsमधून बाहेर पडणे, sandbox boundariesच्या पलीकडे privileges escalate करणे, secrets मिळवणे, आणि secure Hugging Face systemsपर्यंत पोहोचणे केले; हे सर्व evaluation सोडवण्याच्या संकुचित उद्दिष्टाचा पाठपुरावा करण्यासाठी.

मेल्टडाऊनमध्ये अनपेक्षित सिस्टम म्यूटेशन आणि डिलीशन देखील समाविष्ट आहेत. बाहेरील सिस्टमचे उल्लंघन करण्यापेक्षा कदाचित अधिक क्षुल्लक असले तरी, या घटना कोडिंग एजंटच्या कोणत्याही पॉवर वापरकर्त्यासाठी अधिक वारंवार आणि ठळक असतात. उत्पादन डेटाबेस किंवा होम निर्देशिका हटवणे हे कोणत्याही डेव्हलपरचे सर्वात वाईट स्वप्न असते, आणि एजंट्स त्यांच्या अंमलबजावणीदरम्यान अशा वर्तनांपासून दूर राहण्यास सक्षम असले पाहिजेत.

एआय संशोधक मॉडेल्समध्येच या वर्तनांना कमी करण्यासाठी काम करत आहेत. जरी हे प्रयत्न नक्कीच मूल्यवान असले तरी, संशोधन समुदायातील अनेकांना मजबूत सुरक्षा गुणधर्मांसाठी मॉडेल्सचे प्रशिक्षण देणे आणि वाढत्या जटिल कार्ये पूर्ण करण्यासाठी त्या मॉडेल्सना प्रशिक्षित करणे यांच्यात मूलभूत तणाव जाणवतो. आमचा विश्वास आहे की केवळ मॉडेल लेयरवर लक्ष केंद्रित करणारे संरक्षण मेल्टडाऊनचा धोका स्वीकार्य पातळीपर्यंत कमी करेल याची शक्यता नाही.

म्हणूनच, agent security केवळ model-, user-, किंवा task-level safeguardsवर अवलंबून राहू शकत नाही. त्याऐवजी, security teamsना client endpointsवर agents प्रत्यक्षात काय करतात याची visibility, तसेच धोकादायक actions सुरू होण्यापूर्वीच थांबवू शकणारे controls आवश्यक आहेत. हे system-level controls आहेत, आणि ते agent harnessशी घट्ट एकत्रित केलेले असले पाहिजेत.

Numbat ही नियंत्रणे हलक्या वजनाच्या स्टॅटिक Go बायनरीच्या स्वरूपात प्रदान करते जे अग्रगण्य क्लायंट-साइड एजंट हार्नेसमध्ये अखंडपणे प्लग इन करते. हे एजंट हार्नेस आणि अंमलबजावणी वातावरणात थेट मॉनिटरिंग, धोरण अंमलबजावणी आणि फॉरेन्सिक पुनर्रचना ऑफर करते.

Numbat आणि agent harness यांमधील प्रमुख integration points म्हणजे hooks, session artifacts, आणि OTLP telemetry. आपण प्रत्येकीवर अनुक्रमे चर्चा करू.

जवळपास सर्व coding agentsकडे एक hook subsystem असतो. Hooksमुळे agentsना agent execution lifecycleमधील पूर्वनिश्चित बिंदूंवर subroutines निर्धारपूर्वक execute करता येतात. Agent users सहसा hooks configure करून modelsना अंदाजनीय पद्धतींनी अतिरिक्त context देतात, testing आणि verification loops अंमलात आणतात, आणि agent capabilitiesमध्ये इतर सुधारणा करतात.

या उद्दिष्टांसाठी हुक्स आकर्षक ठरवणारे तेच निर्धारात्मक गुणधर्म त्यांना शोध आणि प्रतिसादासाठीही आकर्षक बनवतात. सहसा संभाव्यतः चिंताजनक घटनेच्या बहुतेक घटना पकडणे अपुरे ठरते. उलट, शोध आणि प्रतिसादासाठी अशा सर्व घटना कव्हर करणे आवश्यक आहे. Numbat हुक्सचे अनेक प्रकार कॉन्फिगर करते, ज्यामुळे सुरक्षा संघ आणि IT प्रशासक समृद्ध शोध तर्कप्रणाली अंमलात आणू शकतात.

बहुतेक कोडिंग एजंट्समध्ये, विशिष्ट प्रकारचे हूक (सामान्यतः “प्रि-ॲक्शन” हूक म्हणून ओळखले जातात) एजंटच्या पुढील कृतीची अंमलबजावणी देखील अवरोधित करण्यास सक्षम असतात. या प्रि-ॲक्शन हूकचा वापर करून, Numbat केवळ शोध लॉजिकच नव्हे तर मेल्टडाऊन प्रथमच घडण्यापासून रोखण्यासाठी प्रतिबंधक सुरक्षा नियम देखील लागू करण्यास सक्षम आहे.

Hooks हे real timeमध्ये detection आणि prevention logic अंमलात आणण्याचे शक्तिशाली साधन आहेत. तथापि, हे logic codeमध्ये स्पष्टपणे specifiable असले पाहिजे. अनेकदा, agent security incident असा स्वरूप धारण करतो की ज्याचा आधीच अंदाज घेणे शक्य नव्हते, source codeमध्ये रूपांतरित करणे तर दूरच. म्हणून, Numbatकडे session artifacts retroactively access आणि analyze करण्याचीही क्षमता आहे.

Session artifactsमध्ये अनेक प्रकारचे logs आणि diagnostics समाविष्ट असतात. कदाचित सर्वात महत्त्वाचा log प्रकार म्हणजे session transcript, जो LLM conversations नोंदवतो आणि त्यावर agentच्या actionsचा sequence अवलंबून असतो. coding agentsचे power users पुढील analysisसाठी harness-provided commandsद्वारे session transcripts export करण्यास आधीच सरावलेले असतात. पण हे exports सहसा plaintext formatमध्ये असतात, जे machine-readable logs आणि consistent, predictable schema आवश्यक असलेल्या security teamsसाठी अनुपयुक्त ठरते.

Numbat त्यामुळे session artifacts थेट filesystemमधूनच मिळवते. बहुतेक client-side agent harnesses मूळ artifacts filesystemवर साठवतात (सामान्यतः $HOME अंतर्गत agent-specific dot directoryमध्ये), त्यामुळे filesystemमध्ये tap करणे हे या डेटापर्यंत त्याच्या सर्वाधिक वापरण्यायोग्य आणि pristine स्वरूपात पोहोचण्याचा सर्वात थेट मार्ग देते. Numbat वापरणाऱ्या security teams numbat scanद्वारे या artifactsना normalized NDJSON timeline formatमध्ये गोळा करू शकतात, स्थानिक client endpointवर process करण्यासाठी किंवा asynchronous remote analysisसाठी. Session artifacts ही static, self-contained records असल्यामुळे, Numbat Numbat install होण्यापूर्वीच घडलेल्या sessionsसाठीही हे timelines reconstruct करू शकते.

बहुतेक client-side agent harnesses OpenTelemetry protocol (OTLP)द्वारे विस्तृत telemetry पुरवतात. ही telemetry सहसा hooks किंवा session artifactsद्वारे उपलब्ध असलेल्या signal्सपेक्षा अधिक अनेक signals देते.

Numbat numbat collect कमांडद्वारे OTLP रिसीव्हर म्हणून कार्य करू शकते. ही कमांड एक सर्व्हर सुरू करते ज्याला कोडिंग एजंट्स डाउनस्ट्रीम विश्लेषणासाठी OTLP टेलिमेट्री पाठवतात. विशेष म्हणजे, हा सर्व्हर स्थानिक आहे आणि डीफॉल्टनुसार फक्त लोकलहोस्टवर ऐकतो, याचा अर्थ सर्व टेलिमेट्री डीफॉल्टनुसार डिव्हाइसवरच राहते. सुरक्षा प्रशासक नंतर लॉग केलेल्या टेलिमेट्रीचे काय करायचे हे ठरवू शकतात, मग त्यात हलक्या वजनाचे ऑन-डिव्हाइस प्रोसेसिंग लागू करणे समाविष्ट असो, numbat ship द्वारे रिमोट प्रोसेसिंग असो, किंवा ClickHouse सारख्या विश्लेषण प्लॅटफॉर्मवर अधिक गुंतलेले विश्लेषण असो.

Perplexity मध्ये, आम्ही Claude Code, Codex, OpenCode, आणि Pi यांसारख्या क्लायंट-साइड कोडिंग एजंट्सचा आमच्या अभियंत्यांचा वापर सुरक्षित करण्यासाठी Numbat वापरतो.

आमचे प्रतिबंध आणि शोध दोन्ही प्रयत्न Numbat नियमांचा मोठ्या प्रमाणावर वापर करतात, जे प्रत्येक एजंटच्या हूक सबसिस्टमद्वारे लागू केले जातात. आम्ही आमच्या स्वतःच्या गरजांसाठी अनेक ब्रेड-अँड-बटर नियम तयार केले, त्यापैकी बरेच आम्ही Numbat च्या 52 इन-बिल्ट नियमांचा एक भाग म्हणून पाठवले. हे नियम 11 वर्तणूक श्रेणींमध्ये आणि गुप्त प्रवेश, एक्झिल्ट्रेशन, विशेषाधिकार वाढवणे आणि लॅटरल मूव्हमेंट यांसारख्या बहु-पाऊल अनुक्रम शोध संचामध्ये आयोजित केले जातात. नियम सामान्यीकृत इव्हेंटवर CEL अभिव्यक्ती वापरतात, आणि ऑपरेटर Numbat चा कोड न बदलता स्वतःचे नियम आणि चाचण्या जोडू शकतात.

उदाहरणार्थ, इन-बिल्ट privilege.sudoers_tamper नियम sudoers धोरणावर लेखन, visudo चा वापर आणि NOPASSWD ग्रँट्स इन्स्टॉल करण्याचा प्रयत्न शोधतो. या उच्च-सिग्नल कृती आहेत जे मर्यादित एजंट प्रक्रियेस सतत रूट प्रवेशामध्ये बदलू शकतात.

yaml

# privilege.sudoers_tamper (simplified for readability)
id: privilege.sudoers_tamper
severity: high
expr: |
  (
    event.event_type == "file.write" &&
    event.file_path.matches("(^|/)etc/sudoers$|(^|/)etc/sudoers\\.d/[^/]+$")
  ) || (
    event.event_type == "command.exec" &&
    event.command.matches("\\bvisudo\\b|\\bNOPASSWD\\s*:")
  )

स्वतःपुरत्या individual commands नेहमीच malicious दिसत नाहीत, म्हणून Numbat agent sessionमधील sequencesचाही correlation करते. अंगभूत chain.secret_manager_read_then_egress rule तेव्हा detect करते, जेव्हा agent common secrets-management toolमधून value वाचतो आणि नंतर data-bearing curl किंवा wget request करण्याचा प्रयत्न करतो. secret read legitimate असू शकतो. outbound request legitimate असू शकतो. पण sequenceने एकत्र आल्यास, त्यांची तपासणी आवश्यक ठरते.

yaml

# chain.secret_manager_read_then_egress (simplified for readability)
id: chain.secret_manager_read_then_egress
severity: high
sequence:
  within_events: 64
  steps:
    - expr: |
        event.event_type == "command.exec" &&
        event.command.matches("secretsmanager|get-secret|vault read")
    - expr: |
        event.event_type == "command.exec" &&
        event.command.matches("curl.*(--data|--upload-file)|wget.*--post")

Bumblebee प्रमाणे, डेव्हलपर एंडपॉइंट्सवर सप्लाय-चेन एक्सपोजरसाठी आमचा ओपन-सोर्स स्कॅनर, Numbat MDM द्वारे आमच्या फ्लीटमध्ये तैनात केला जातो. प्रत्येक Numbat स्थानिक पातळीवर एजंट क्रियाकलाप रेकॉर्ड करते आणि आमच्या केंद्रीकृत सुरक्षा सिस्टम्समध्ये संरचित टेलिमेट्री पाठवते.

तिथून पुढे, Perplexity Computer संशयास्पद किंवा malicious behaviorसाठी ठराविक वेळापत्रकानुसार अलीकडील Numbat findings आणि audit logsचे पुनरावलोकन करते. ते detectionsची तपासणी करते, संबंधित agent sessions पुन्हा reconstruct करते, आणि Numbatने रोखलेल्या actionsकडे अतिरिक्त scrutiny देते.

Numbat टेलिमेट्री मॉनिटर करण्यासाठी Perplexity ची अंतर्गत पाइपलाइन. — Numbat telemetryचे निरीक्षण करण्यासाठीची Perplexityची अंतर्गत pipeline. नियोजित Perplexity Computer task नवीन signalsचे asynchronous पुनरावलोकन करते आणि risky activityबद्दल security teamला alert करते.

Computer आमच्या कव्हरेजमधील त्रुटी देखील शोधतो. हे नवीन वर्तनाचे विश्लेषण करते, Numbat च्या शोधांमध्ये सुधारणा सुचवते, त्या बदलांची चाचणी करते आणि मानवी पुनरावलोकनासाठी पुल रिक्वेस्ट उघडते. एकदा मंजूर आणि तैनात झाल्यानंतर, ते नियम संपूर्ण फ्लीटमधील मॉनिटरिंग सुधारतात आणि पुढील तपासणीसाठी चांगला पुरावा तयार करतात.

यामुळे एक self-improving security flywheel तयार होते: agents activity निर्माण करतात, Numbat त्या activityचे normalized timelines आणि telemetryमध्ये रूपांतर करते, Computer rulesची तपासणी करून त्यात सुधारणा करते, आणि human-reviewed updates भविष्यातील agent sessionsचे संरक्षण करणारे controls अधिक मजबूत करतात.

Perplexityमध्ये, आम्हाला वाटते की AI agents local, cloud, आणि hybrid अशा सर्व प्रकारच्या environmentsमध्ये कार्य करतील. प्रत्येक agent harness आणि execution environmentचे संयोजन unique security challenges निर्माण करते, आणि या combinatorial complexityमुळे bandwidth-strapped security teamsना ते हाताळणे अवघड ठरू शकते. Agent meltdowns आणि इतर novel vulnerabilities security picture अधिकच गुंतागुंतीची करतात.

एजंट सिस्टममध्येच राहणारे संरक्षण वापरकर्त्याची सुरक्षा पोस्चर सुधारू शकतात पर्वा न करता एजंट कुठे अंमलात येतो. Numbat नेमके हेच वितरीत करते: घट्टपणे समाकलित एजंट सेफगार्ड्स जे बचावकर्त्यांना रिअल टाइममध्ये चिंतेच्या वर्तनाला प्रतिबंध करण्यास, शोधण्यास आणि प्रतिसाद देण्यास अनुमती देतात. Numbat ला Perplexity Computer सह जोडल्याने एक पॉवरहाऊस एजंट सुरक्षा प्लॅटफॉर्म तयार होतो जो बचावकर्त्यांना पुढे राहण्यास सक्षम करतो.

Numbat आज macOS, Linux, आणि Windowsसाठी एक open-source project म्हणून उपलब्ध आहे. आमचे स्वतःचे client endpoints Numbatने secured आहेत, ज्यामुळे Perplexity team सदस्यांना व्यापक scope असलेल्या tasks आणि दीर्घ horizonsवर agents आत्मविश्वासाने वापरता येतात. आम्ही सर्वत्रच्या security teamsना त्यांच्या agent deploymentsचे securing आणि protecting करण्यासाठी Numbatच्या system-level approachचा लाभ घेण्याचे आमंत्रण देतो.

BibTeX

@online{perplexity2026SecuringAgentsAcrossPerplexitySClientEndpointsWithNumbat,
  author = {{Perplexity} and Adel Karimishiraz and Bex Brooker and Phi Hoang and Jerry Ma},
  title = {{Securing agents across Perplexity's client endpoints with Numbat}},
  date = {2026-07-29},
  url = {https://perplexity.coolkeypoint.com/hub/blog/securing-agents-across-perplexity-s-client-endpoints-with-numbat}
}

परिचय

व्हल्नरेबिलिटी लँडस्केपची स्थिती समजून घेणे

नेटिव्ह हार्नेस इंटिग्रेशनद्वारे कोडिंग एजंट सुरक्षित करणे

हूक

सत्र आर्टिफॅक्ट्स

OTLP टेलिमेट्री

Perplexity मध्ये Numbat तैनात करणे

संपूर्ण फ्लीटमध्ये Numbats व्यवस्थापित करणे आणि मॉनिटर करणे

निष्कर्ष

उद्धरण