شركة Archestra تطرح محرك الأمان للذكاء الاصطناعي OpenAPPA كمصدر مفتوح بعد نتائج اختبارات قياسية خالية من العيوب

أصدرت شركة تطوير الذكاء الاصطناعي Archestra محرك الأمان مفتوح المصدر OpenAPPA المصمم لتحييد ثغرات تسريب البيانات الناتجة عن التوجيه غير المباشر للأوامر (indirect prompt injection) وهلوسة نماذج اللغة في مسارات عمل الوكلاء المستقلين. ووفقاً لتقرير تقني نشره الصحفي المتخصص في التكنولوجيا Bruno Couriol في 3 أكتوبر 2026، حقق البرمجية المتاحة حديثاً نسبة نجاح للهجمات بلغت صفر بالمئة عبر معيارين رئيسيين لتقييم الذكاء الاصطناعي: Bench-Corp وAgentThreatBench. ويستهدف هذا الإصدار مسار ثغرة خطيرة في نشر الذكاء الاصطناعي بالمؤسسات، حيث يمكن لمدخلات البيانات الخارجية اختطاف سلوك النموذج وتحفيز عمليات نقل غير مصرح بها للمعلومات السرية. وتهدف Archestra، من خلال طرح المحرك كمصدر مفتوح، إلى تزويد مطوري برمجيات المؤسسات وفرق الأمن السيبراني بطبقة دفاعية قياسية أثناء التشغيل (runtime) قادرة على اعتراض تنفيذ الحمولات الضارة قبل أن تغادر البيانات الحساسة شبكات الشركات.

## حقائق رئيسية - أصدرت شركة Archestra محرك الأمان مفتوح المصدر OpenAPPA المصمم لمنع تسريب البيانات في مسارات عمل الذكاء الاصطناعي المستقلة. - سجل محرك الأمان نسبة نجاح للهجمات بلغت صفر بالمئة عبر مجموعتي اختبار قياسيتين رئيسيتين: Bench-Corp وAgentThreatBench. - يقوم Bench-Corp بتقييم أنظمة الدفاع عبر 20 سيناريو معقداً لمسارات عمل المؤسسات متعددة الخطوات. - يستهدف OpenAPPA تحديداً الانتهاكات الأمنية الناجمة عن هجمات التوجيه بالأوامر (prompt injection) وهلوسات النماذج. - تم تفصيل إصدار البرمجية ومقاييس اختباراتها القياسية في تقرير أعده Bruno Couriol في 3 أكتوبر 2026.

## ماذا حدث قدمت شركة Archestra محرك OpenAPPA كبرمجية وسيطة لأمن الذكاء الاصطناعي مخصصة ومفتوحة المصدر مصممة لحماية تطبيقات الذكاء الاصطناعي المستقلة. وقد تم تصميم البرمجية خصيصاً لمعالجة تسريب البيانات—وهو سيناريو يتم فيه التلاعب بوكيل الذكاء الاصطناعي الذي يتفاعل مع قواعد بيانات المؤسسات أو واجهات برمجة التطبيقات (APIs) أو منصات المراسلة لبث معلومات داخلية حساسة إلى مواقع خارجية غير موثوقة.

وفي الاختبارات التي أُجريت على أطر تقييم أمني معتمدة، نجح OpenAPPA بفاعلية في تغطية بيئات التقييم بالكامل من خلال منع جميع محاولات الاختراق. وكما أفاد Bruno Couriol، حقق المحرك نسبة نجاح للهجمات بلغت صفر بالمئة في كل من Bench-Corp وAgentThreatBench. ويقيس Bench-Corp قدرة المحرك على الحفاظ على الحدود الأمنية عبر 20 مسار عمل مؤسسياً مختلفاً متعدد الخطوات، والتي تحاكي بيئات الشركات الحقيقية حيث يقوم وكلاء الذكاء الاصطناعي بمعالجة البريد الإلكتروني، والاستعلام من قواعد بيانات العملاء، وتحديث السجلات، والتفاعل مع أدوات البرمجيات الخارجية. وبالمثل، يخضع AgentThreatBench الوكلاء لمدخلات معادية مصممة لتجاوز ضوابط حماية النظام.

ومن خلال إيقاف جميع محاولات المتجهات المعادية داخل بيئتي الاختبار، أظهر OpenAPPA تخفيفاً كاملاً للمخاطر ضد تقنيات التوجيه الآلي بالأوامر. ويتيح نموذج التوزيع مفتوح المصدر الذي اختارته Archestra لمهندسي البرمجيات فحص البنية الأمنية وتعديلها ودمجها مباشرة في أنابيب تنظيم الوكلاء الحالية دون الاعتماد على وكلاء أمن مملوكين ومغلقي المصدر.

## لماذا يُعتبر هذا الأمر مهماً مع انتقال المؤسسات بشكل متزايد من روبوتات الدردشة التفاعلية البسيطة إلى وكلاء برمجيات مستقلين قادرين على تنفيذ استعلامات قواعد البيانات، وإنشاء المراسلات المؤسسية، واستدعاء واجهات برمجة التطبيقات (APIs)، تتوسع مساحة الهجوم على برمجيات المؤسسات بشكل كبير. وتعمل دفاعات الأمن السيبراني التقليدية، مثل جدران الحماية للشبكات وجدران حماية تطبيقات الويب، على حركة مرور الشبكة المهيكلة وقوائم التحكم بالوصول المحددة مسبقاً. وهي غير مجهزة بشكل أساسي لتفسير التفاعلات الاحتمالية بالقواعد اللغوية الطبيعية التي تحكم تنفيذ نماذج اللغة الكبيرة (LLM).

ويمثل تسريب البيانات أحد أشد المخاطر التجارية جسامة والمرتبطة بنشر الذكاء الاصطناعي المستقل. فإذا نجحت حمولة معادية في التلاعب بوكيل لجعل الأوامر الخبيثة تبدو وكأنها تعليمات إدارية شرعية، فقد يتم نقل بيانات المؤسسة السرية—بما في ذلك معلومات الهوية الشخصية، والسجلات المالية، والأسرار التجارية المملوكة، والمراسلات الداخلية—إلى خوادم خارجية يسيطر عليها المهاجمون. ويمكن أن تكون العواقب المالية والقانونية والتنظيمية لمثل هذه الانتهاكات بموجب أطر مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR) أو قانون خصوصية المستهلك في كاليفورنيا (CCPA) وخيمة، وتتضمن غرامات تنظيمية وخسائر في السمعة.

ومن خلال إظهار نسبة نجاح للهجمات بلغت صفر بالمئة في سيناريوهات مسارات عمل المؤسسات الـ 20 لـ Bench-Corp، يشير OpenAPPA إلى أن إنفاذ الأمن المحدد (deterministic security enforcement) يمكن اقترانه بنماذج اللغة الاحتمالية دون تعطيل القدرات الوظيفية. وبالنسبة لمسؤولي أمن الشركات المترددين في الموافقة على مبادرات الوكلاء المستقلين بسبب مخاطر تسرب البيانات، توفر حلول الأمن مفتوحة المصدر مثل OpenAPPA إطاراً هيكلياً قابلاً للتطبيق لإنفاذ حدود صارمة للبيانات أثناء التشغيل.

## الخلفية ينبع نموذج الثغرة الأمنية الذي يستهدفه OpenAPPA من التصميم الهيكلي لنماذج اللغة الحديثة القائمة على المحولات (transformer-based models). لا تفصل نماذج اللغة الكبيرة بشكل أصلي بين تعليمات النظام التي يقدمها مطورو البرمجيات والبيانات غير المهيكلة المستردة من مصادر خارجية، مثل البريد الإلكتروني أو صفحات الويب أو مستندات العملاء. وتؤدي هذه الميزة الهيكلية إلى بروز ثغرة التوجيه بالأوامر (prompt injection)، وهي ثغرة أمنية صنفها مشروع أمن تطبيقات الويب المفتوحة العالمي (OWASP) على أنها التهديد الأول الذي يواجه تطبيقات LLM.

وتنقسم هجمات التوجيه بالأوامر إلى فئتين رئيسيتين: مباشرة وغير مباشرة. يحدث التوجيه المباشر عندما يوجه المستخدم النهائي نموذج الذكاء الاصطناعي صراحة لتجاهل قيود السلامة الخاصة به. أما التوجيه غير المباشر، وهو أكثر خطورة بكثير في سياقات المؤسسات، فيحدث عندما يستوعب وكيل الذكاء الاصطناعي بيانات تحتوي على تعليمات مخفية وضعها طرف ثالث. على سبيل المثال، قد يواجه الوكيل المكلف بتلخيص بريد العملاء غير المقروء بريداً إلكترونياً يحتوي على نص غير مرئي يوجه الوكيل للبحث في مستودع الشركة عن مفاتيح API الخاصة ونشرها على خادم ويب خارجي.

وإلى جانب الهجمات المعادية المتعمدة، تشكل هلوسة النماذج تهديداً مساوياً لخصوصية البيانات. وتحدث الهلوسة عندما ينتج نموذج LLM مخرجات تبدو معقولة ولكنها مفبركة بالكامل أو غير دقيقة سياقياً. وفي مسارات العمل المستقلة، يمكن أن يؤدي الأمر المهلوس إلى دفع الوكيل إلى استدعاء نقاط نهاية API غير مقصودة، أو تنسيق طلبات الشبكة بشكل غير صحيح، أو إرسال حمولات بيانات حساسة إلى عناوين خارجية خاطئة.

واعتمدت المحاولات السابقة لحل هذه التحديات الأمنية بشكل أساسي على التوجيه الدفاعي—أي توجيه النموذج نفسه ليكون حذراً—أو على نماذج تصفية ثانوية مصممة لتقييم النص المدخل. وغالباً ما يفشل التوجيه الدفاعي لأن الأوامر المعادية يمكنها التغلب على تعليمات النظام، بينما تضيف نماذج التقييم الثانوية تأخيراً حسابياً كبيراً وتظل عرضة لتقنيات المراوغة التسللية المماثلة. وقد أدى ظهور مجموعات اختبار الأمن القياسية مثل Bench-Corp وAgentThreatBench إلى إنشاء مقاييس قابلة للقياس الكمي لاختبار ما إذا كانت الحلول الأمنية تعتمد على تصفية النصوص غير الفعالة أم تنفذ ضوابط وصول هيكلية صارمة.

## ردود الفعل من المتوقع أن يثير إصدار محرك أمان مفتوح المصدر يحقق تخفيفاً كاملاً للمخاطر في الاختبارات القياسية البارزة اهتماماً كبيراً عبر قطاعات الأمن السيبراني وهندسة البرمجيات. وطالما طالب باحثو الأمن المتخصصون في أمن تعلم الآلة بوجود طبقات بيئة معزولة (sandbox) محددة حول النماذج الاحتمالية، معتبرين أنه لا ينبغي مطلقاً لوكلاء البرمجيات امتلاك سلطة مطلقة لتنفيذ طلبات الشبكة دون التحقق الصريح والقائم على السياسات.

ومن المتوقع أن يرحب قادة التكنولوجيا في المؤسسات الذين يتطلعون إلى نشر وكلاء ذكاء اصطناعي داخليين بنتائج الاختبارات القياسية، رغم أن مهندسي البرمجيات سيدرسون على الأرجح المقايضات التشغيلية المطلوبة لتحقيق نسبة نجاح للهجمات بلغت صفر بالمئة. ففي هندسة الأمن السيبراني، غالباً ما تتضمن مقاييس الحماية المطلقة إنفاذاً صارماً للسياسات يمكن أن يحد من استقلالية الوكيل أو يتسبب في إيجابيات كاذبة خلال مسارات العمل المعقدة متعددة الخطوات.

ومن المتوقع أن يفحص المطورون مفتوحو المصدر ومحللو الأمن الشفرة المصدريّة العامة لـ OpenAPPA لتحديد كيفية تعامل المحرك مع الحالات الحدية (edge cases)، وإدارة إنفاذ السياسات، والاندماج مع أطر عمل وكلاء الذكاء الاصطناعي الشائعة مثل LangChain وAutoGen وLlamaIndex. كما سيراقب محللو القطاع ما إذا كانت شركات الأمن التجارية ستتبنى أنماط اعتراض محددة مماثلة في بواباتها الأمنية المملوكة.

## ما لا نعرفه بعد ورغم أن نسبة نجاح الهجمات المبلغ عنها البالغة صفر بالمئة في Bench-Corp وAgentThreatBench تمثل محطة بارزة، إلا أن العديد من التفاصيل التشغيلية والتقنية تظل غير مؤكدة في المجال العام. حيث تعكس تقييمات الاختبارات القياسية ظروف اختبار موحدة؛ ويبقى غير معروف كيف سيكون أداء OpenAPPA عند نشره عبر بيئات تكنولوجيا المعلومات غير المتجانسة بالمؤسسات والتي تتميز بواجهات API مخصصة، واتصالات قواعد بيانات قديمة، ومسارات عمل مستخدمين غير متوقعة للغاية.

بالإضافة إلى ذلك، لا يفصل تقرير Bruno Couriol العبء الإضافي المحدد على الأداء الذي يسببه OpenAPPA. ويطلب مطورو المؤسسات بيانات قياس تفصيلية عن كيفية تأثير محرك الأمان على زمن الانتقال الشامل للمعالجة، واستهلاك رموز API، واستغلال الموارد الحسابية، والتكلفة التشغيلية لكل معاملة. كما أن هناك نقصاً في التوثيق المتعلق بمعدل الإيجابيات الكاذبة للمحرك—تحديداً ما إذا كان يتم تصنيف التعليمات المؤسسية الصالحة بطريق الخطأ على أنها محاولات تسريب، مما قد يعطل العمليات العادية للشركة.

وأخيراً، يتبقى أن نرى كيف سيتكيف OpenAPPA عندما يواجه تقنيات توجيه بالأوامر جديدة ولم تلاحظ من قبل، ومصممة خصيصاً لتجاوز آليات دفاعه مع تطور الاستراتيجيات المعادية.

## ما يجب مراقبته وتشمل التطورات الرئيسية التي يجب مراقبتها عقب إطلاق OpenAPPA التحقق المستقل من النظراء لنتائج اختبارات Archestra القياسية من قبل الباحثين الأكاديميين وشركات تدقيق الأمن السيبراني الخارجية. وستكون سجلات التغييرات (commit history) في المستودع الرئيسي، ومتابع المشكلات (issue tracker)، وطلبات السحب المجتمعية (pull requests) بمثابة مؤشرات واضحة على تبني المطورين والاستقرار التشغيلي في بيئات العالم الحقيقي.

كما ستتطلع الفرق الأمنية إلى دراسات حالة منشورة تفصل عمليات الدمج المؤسسي، لا سيما فيما يتعلق بكيفية تعامل OpenAPPA مع الدمج مع أطر إدارة الهوية والوصول (IAM) الرئيسية في المؤسسات مثل OAuth وSAML وأنظمة التحكم في الوصول القائمة على الأدوار.

علاوة على ذلك، ستكون الإصدارات المستقبلية من Bench-Corp وAgentThreatBench حاسمة للمراقبة. ومع قيام منشئي الاختبارات القياسية بتحديث مجموعات التقييم الخاصة بهم بمتجهات هجوم جديدة، وأساليب تمويه متقدمة، وسيناريوهات تفاعل معقدة متعددة الوكلاء، سيشهد القطاع ما إذا كان بإمكان OpenAPPA الحفاظ على وقفته الدفاعية الكاملة ضد المشهد المتطور لتهديدات الذكاء الاصطناعي.

يستند هذا التقرير الإخباري إلى تغطية صحفية أصلية نشرها الصحفي المتخصص في التكنولوجيا Bruno Couriol في 3 أكتوبر 2026.