Google Chrome 打造「鏡像維度」合成網路,以 30 倍效率安全測試 AI 瀏覽代理

具備網頁操作能力的 AI 代理(Web-use Agents)走入日常,人們開始習慣交辦跨網站的複雜任務。例如:請瀏覽器直接幫你進行網購比價,或對著智慧電視遙控器用語音尋找特定電影在哪個串流平台並直接播放。用戶並未提供具體網址,AI 必須自行判斷目標網站、跨平台搜尋並完成一連串操作。然而,當 AI 獲得了在瀏覽器中點擊、輸入甚至登入帳號的權限時,如何確保它們不會在充滿惡意的真實網路中遭到誤導或失控,成為瀏覽器開發者面臨的首要難題。

為了驗證並強化 Chrome「自動瀏覽」功能的內建安全防護,Google Chrome 團隊近日公開了一項名為「鏡像維度」(Mirror Dimension)的測試基礎設施。這是一個完全封閉、由團隊全權掌控的合成網路沙箱,內部建置了數千個貼近使用者日常瀏覽路徑的互動式模擬網站。透過這套環境,工程師得以在零現實安全風險的前提下,對 AI 代理進行大規模、高強度的安全與可靠性測試。

為什麼不能直接在真實網路上測試 AI?

在理解「鏡像維度」的價值前,必須先看清以往測試方式的兩難。例如:當使用者對 AI 下達指令「請幫我登入 YouTube 帳號,下載最新一期的 Made By Google 的 Podcast 以便在飛機上收聽」時,使用者並未提供網址,AI 必須自行推斷出目標網站並導航至 [www.youtube.com](https://www.youtube.com),接著執行點擊、搜尋與下載等一連串動作。

要訓練並評估這類的代理操作,工程師需要讓模型在數百個網站上持續執行數千次的讀寫操作。但若直接將尚未成熟的 AI 放上真實的公共網路,會面臨兩個致命問題:第一是「測試結果不可靠」,因為真實網頁內容瞬息萬變,無法確保每次測試都從完全相同的基準線開始;第二是「現實風險過高」,擁有不受限網路存取權的代理一旦出錯,可能對真實帳號或外部服務造成實質損害,且前一次測試留下的操作副作用也會干擾後續評估。

為此,Chrome 團隊決定打造一個完全封閉的平行世界,將隔離沙箱與本地攔截 proxy 結合,讓 AI 能在可重複、乾淨的環境中執行任務。相較於以往受限的測試環境,「鏡像維度」展現了三大核心技術突破與量化亮點:

亮點一:高度擬真的隱蔽測試架構,有效減少「評估感知」

在設計合成測試環境時,團隊面臨的第一個難題是前沿 AI 模型的「評估感知」——也就是模型一旦懷疑自己正在接受測試時,會執行一些原本不會執行的操作,導致測試結果失真。

起初,若將所有模擬網站託管在同一個測試網域下(例如 [https://fake-sandbox-sites.web.app/evals/www.youtube.com](https://fake-sandbox-sites.web.app/evals/www.youtube.com)),或是透過提示詞直接要求 AI 前往指定測試網址,AI 很快就會意識自己正在受測。為了維持環境真實感,Chrome 團隊採用了一套巧妙的底層攔截技術:

  • gVisor 隔離沙箱與本地攔截: 代理在底層透過隔離的 gVisor 沙箱運行無頭 Chrome(Headless Chrome),並允許 AI 直接導航至推斷出的真實網址(如 [https://www.youtube.com](https://www.youtube.com))。沙箱會阻斷對外部 DNS 與公共網路的連線,將所有流量無聲無息地路由到本地 proxy,由本地系統提供合成網頁。
  • 動態產生 TLS 憑證: 這種流量攔截在真實網路中會被 Chrome 視為「中間人攻擊」並觸發致命的安全錯誤;若降級為未加密的 HTTP 又會跳出「不安全」警告,同樣會暴露測試環境。由於團隊完全掌控 gVisor 沙箱,他們在瀏覽器啟動時預先植入了自訂的根憑證頒發機構(CA),並由本地 proxy 動態產生對應的 TLS 葉子憑證,讓 Chrome 能夠正常驗證並載入這些合成網站,徹底維持「瀏覽真實網頁」的假象。

亮點二:多代理自動化造網,搭配視覺與操作工具把關品質

解決了網址偽裝問題後,下一個挑戰是如何填滿這個龐大的網路世界。AI 代理執行的是多步驟的高階任務,若測試網站只是靜態頁面或功能殘缺,AI 依然能察覺破綻。團隊需要規模化地建置與維護數百個具備狀態記憶(Stateful)的複雜網站,涵蓋電商結帳、社群動態、本地服務市集與食譜平台等多元場景。

靠人工手動編寫這些網站顯然不切實際,因此團隊開發了一套「自主多代理網站開發框架」。人員只需定義高階的使用者旅程(User Journey),系統就會交由三個專業化的 AI 代理角色分工建置:

  1. 研究代理(Research Agent): 根據需求規劃詳細的網站規格。以電商平台為例,它會列出產品篩選、購物車狀態保留、優惠券代碼驗證及多步驟結帳等需求,並補齊系統架構、關鍵使用者旅程(CUJ),甚至利用 Nano Banana 生成基礎的 UI 介面模擬模型。
  2. 建立代理(Build Agent): 將上述規格轉化為實際可運作的程式碼,編寫 HTML、CSS 與 JavaScript,實作出響應式版面與複雜的多頁面導航功能。
  3. 評論代理(Review Agent): 依據正式生產環境的網頁基準進行嚴格驗收,檢查無障礙輔助功能樹(ARIA 角色與標籤)是否正常、表單驗證能否攔截異常輸入、控制台有無 JavaScript 錯誤,以及不同螢幕尺寸下的版面渲染是否正確。

值得一提的是,這套造網流程結合了 Chrome DevTools MCP 伺服器,這像是賦予代理「眼睛與雙手」。評論代理不再只是查看原始碼,而是能直接查看渲染後的網頁截圖、執行真實的點擊與按鍵輸入,即時觀察網頁運作。一旦發現問題便退回給建立代理修復;若修復過程意外引發新 Bug,系統會啟動額外的審查循環,展現出「寧可多花步驟也要優先確保準確度」的嚴謹設計。

亮點三:自動化紅隊壓力測試,單日測試案例數量超過人工 30 倍

在確保環境逼真後,「鏡像維度」最終要服務於最核心的安全目標:在 AI 代理執行多輪互動任務的過程中,透過不同攻擊途徑進行對抗測試。尤其是防禦「間接提示詞注入」(Indirect Prompt Injection)——也就是攻擊者將隱藏的惡意指令夾帶在網頁內容中,誘騙 AI 執行未經授權的操作。

由於現代瀏覽器代理具備多模態感知能力,惡意指令不只可能藏在可見文字裡,還能隱藏在圖片、底層 DOM 元素、ARIA 無障礙標籤,甚至是 WebMCP 等結構化工具的回應中。透過完全掌控沙箱伺服器,團隊得以用程式化方式,在多步驟任務的任何時間點、任何層級動態注入惡意負載。

在研發過程中,團隊也曾遇到「評估感知」的盲點:最初他們透過網址參數(例如在 YouTube 網址後方加上 &prompt_inject_payload=abcd1234)來觸發測試,卻發現前沿模型敏銳到僅憑一個不尋常的查詢參數,就能察覺自己正在受測。為此,團隊改用自訂 HTTP 請求標頭(如 X-Sandbox-Injection-Key)在底層傳遞測試指令,沙箱伺服器攔截標頭後直接回傳植入惡意內容的網頁,而瀏覽器網址列上的 URL 則保持完全乾淨、正常。

這套自動化紅隊演練流程帶來大幅的效率提升。過去,一名資安工程師每天手工設計並測試的攻擊方案僅有數十種,驗證與微調往往成為瓶頸;如今透過「鏡像維度」自動擴展並完善頂尖專家的攻擊方案,系統每天能為每位安全工程師穩定產出超過 1,000 個測試候選方案,數量是人工測試的 30 倍以上,單日就能完成過去超過一個月的手動測試量,讓資安專家得以將精力集中在發掘全新的攻擊手法上。

未來可看性:從瀏覽器走向通用代理的安全基準

隨著 AI 代理處理的任務越來越複雜、執行時間越來越長,Chrome 團隊認為,像「鏡像維度」這樣配備完整合成網路的封閉沙箱,未來將成為研究 AI 安全性與行為一致性的重要基準——因為唯有在高度可控且逼真的空間裡,人類才能安心觀察 AI 在訓練範圍之外的新場景中如何做出判斷。

目前「鏡像維度」主要聚焦於評估受限在網頁環境內運作的瀏覽器代理,但團隊指出,這套底層沙箱架構具備高度擴展性,未來有望進一步用於評估擁有更廣泛工具權限的通用編碼代理(General Coding Agents)。隨著代理生態系持續演進,Chrome 團隊也將繼續提升沙箱的真實度以減少評估感知,全方位強化內建的防禦機制。

【推薦閱讀】

◆AI 不必重新訓練也能修補?MIT 新研究讓 GPT-6 Astra 直接修改 Qwen 權重,數學測試成績提升近 6 倍

◆Anthropic IPO 前推出 AI 辦公套件:從試算表到會議協作,為何開始挑戰 Microsoft、Google?

◆【AI 代理行為學實驗】觀察「放假」中的 AI 代理,MIT 發現玩耍練出的技巧能用在後續任務

*本文開放合作夥伴轉載,資料來源:Google、《WIRED》、《SiliconReport》,首圖來源:Unsplash