Sikkerhed og bedste praksis
På denne side
Hvad det indebærer at forbinde en server
Når du forbinder Grok til eksterne MCP-servere, får modellen evnen til at handle på dine systemer. Denne magt medfører risici, og tidligere lektioner har introduceret de parametre, der styrer den. Nu er det tid til at organisere dem i en sammenhængende sikkerhedsstrategi til produktion.
HTTPS og autentificering: Det ufravigelige fundament
Reglen er enkel: Enhver MCP-server i produktion skal bruge HTTPS og kræve autentificering. xAI håndhæver allerede det første punkt og afviser alle almindelige HTTP-URL’er. Det andet punkt afhænger dog helt af dig, og det er her, fejlene sniger sig ind.
En server uden autentificering er tilgængelig for alle, der kender URL’en. Det betyder, at alle kan kalde dine interne værktøjer, dine data cirkulerer uden adgangskontrol, og du har ingen måde at spore, hvem der gjorde hvad, når en anomali opstår. URL’en er ikke en hemmelighed: Den rejser over netværk, ender i logs og kan gættes, hvis den følger en konvention.
# Produktion: ALTID med autentificering
mcp(
server_url="https://api.monentreprise.com/mcp",
server_label="interne",
authorization=f"Bearer {os.getenv('MCP_TOKEN')}"
)
# KUN udvikling: uden autentificering
# ALDRIG deploy til produktion
mcp(
server_url="https://mcp.deepwiki.com/mcp",
server_label="deepwiki"
)
Tokenhåndtering følger fire enkle discipliner, men du skal overholde dem over tid. Gem tokens i miljøvariabler, aldrig i kildekoden. Ellers sender dit første offentlige git push dit token ud til verden. Roter dem regelmæssigt, mindst hver 90. dag. En planlagt rotation gør en potentiel lækage til et begrænset eksponeringsvindue. Generér dem med de minimale tilladelser, der er nødvendige, så et token stjålet til en read-only agent er ubrugeligt for nogen, der forsøger at skrive. Hvis et token kompromitteres, skal du straks tilbagekalde det, før du genererer et nyt. Rækkefølgen er afgørende: Et token, der tilbagekaldes efterfølgende, fortsætter med at fungere i hele den tid, du bruger på at finde en erstatning.
Allowlister som andet forsvarslag
Et gyldigt token beviser callerens identitet; det siger intet om, hvad calleren bør kunne gøre. Her kommer allowed_tool_names ind i billedet. Det anvender princippet om mindst mulig privilegium ved kun at eksponere det, der er strengt nødvendigt for modellen.
Den specifikke begrænsning afhænger af agentens profil. En offentlig chatbot holder sig til read-only-operationer uden skrivewerkktøjer inden for rækkevidde.
allowed_tool_names=["search_docs", "get_article", "list_categories"]
# Ingen adgang til: create_article, update_article, delete_article
En intern agent har råd til mere adgang, herunder at kommentere på en sag, mens irreversible handlinger eller handlinger synlige for tredjeparter holdes ude af rækkevidde.
allowed_tool_names=[
"search_tickets", "get_ticket", "add_comment",
# Ingen adgang til: close_ticket, delete_ticket, reassign_ticket
]
Endelig behøver en automatiseret pipeline kun de to værktøjer, som dens workflow kæder sammen. Der er ingen begrundelse for, at den skal rekonfigurere noget.
allowed_tool_names=["run_analysis", "get_results"]
# Ingen adgang til: configure_pipeline, delete_results
Det scenarie, disse lister beskytter dig imod, er prompt injection. Et analyseret dokument, en sag eller en indkommende e-mail kan indeholde en instruktion rettet mod modellen. Uden begrænsning kan denne instruktion få den til at slette data via et delete_*-værktøj, ændre en indstilling via update_config eller sende uønskede kommunikationer via send_email. Et værktøj, der aldrig er blevet eksponeret, kan ikke kapres. Dette er den eneste virkelig solide garanti.
Kontekst er en begrænset ressource
Hvert eksponeret værktøj forbruger tokens i kontekstvinduet, da dets navn, beskrivelse og parameterskema skal reside der. En server, der publicerer tredive værktøjer, kan forbruge flere tusinde tokens, før brugeren overhovedet stiller et spørgsmål.
Konsekvenserne viser sig på tre måder: mindre plads til selve samtalen, længere behandlingstid på grund af det volumen, der skal analyseres, og en øget risiko for forvirring, når flere værktøjer ligner hinanden. Tre praksisser adresserer dette. Først skal du begrænse med allowed_tool_names, hvilket forbliver den mest direkte løftestang. Dernæst skal du segmentere efter brugstilfælde i stedet for at vedligeholde en enkelt konfiguration. En kundesupport-agent, en intern agent og en pipeline har ingen grund til at dele den samme katalog. Endelig skal du revurdere periodisk. Tjek dine spor for at se, hvilke værktøjer der faktisk kaldes. Du vil ofte finde flere, der aldrig er blevet brugt, men som alligevel koster kontekst ved hver anmodning.
Beskrivelser, der forbedrer præcisionen
Omhyggelige beskrivelser både på server- og værktøjsniveau reducerer målbart fejlagtige kald. Kontrasten nedenfor illustrerer forskellen mellem en brugbar beskrivelse og en ubrugelig en.
# Godt: specifikt og handlingsorienteret
server_description="Produktvidensbase. Søg i hjælpeartikler, FAQ og fejlfindingsguider for produkter A, B og C."
# Dårligt: vagt og generisk
server_description="Database"
System promptet er det sidste lag i denne opsætning. Det lader dig udtrykke brugsregler, som konfiguration alene ikke kan håndhæve, såsom en prioritetsrækkefølge mellem kilder eller et krav om bekræftelse.
Når brugeren stiller et teknisk spørgsmål, skal du først søge i den interne vidensbase (kb).
Hvis svaret ikke findes, skal du bruge websøgning som supplement.
Modificér aldrig en sag uden eksplicit brugerbekræftelse.
Husk dog, at disse retningslinjer orienterer modellens adfærd uden at begrænse den. De supplerer allowlisten; de erstatter den aldrig.
Vigtige pointer
- HTTPS håndhæves af xAI, men autentificering er dit ansvar
- Gem tokens i miljøvariabler og roter dem regelmæssigt
- Brug
allowed_tool_namestil at anvende princippet om mindst mulig privilegium - Overvåg kontekstbelastningen: hvert værktøj forbruger tokens
- Skriv præcise beskrivelser for at forbedre Groks værktøjsvalg