OWASP Top 10 LLM-alkalmazásokhoz 2026: mind a 10 kockázat magyarázata
Frissítve: November 19, 2026Olvasási idő: 7 perc
Az OWASP Top 10 LLM-alkalmazásokhoz az OWASP GenAI Security Project listája a nagy nyelvi modellekre (LLM) épülő alkalmazások legkritikusabb biztonsági kockázatairól. A 2026-os kiadás 2026 augusztusában jelent meg (az erőforrásoldala augusztus 3-i dátumot visel), és 2026. szeptember 1-jén jelentették be. Ez az útmutató hivatalos azonosítóikkal együtt felsorolja mind a tíz bejegyzést, mindegyiket röviden elmagyarázza, mindegyikhez egy gyakorlati intézkedést ad, és összefoglalja, mi változott 2025-höz képest.
A projektvezetők nyitólevele megadja az alaphangot: „Ne próbáljanak olyan modellt építeni, amelyet nem lehet becsapni. Építsék fel körülötte a rendszert úgy, hogy amikor a modellt becsapják – és be fogják –, semmi fontos ne romoljon el.”
Hogyan készült a 2026-os lista
A korábbi kiadások a gyakorlati szakemberek ítéletére támaszkodtak. A 2026-os kiadáshoz az OWASP a közösségi szavazást egy 7714 valós incidensből álló korpusszal is összevetette, amely nyilvános sérülékenységi adatbázisokból és egy AI okozta károkat gyűjtő adatbázisból származott; ezek közül 6639 eset tartalmazott elég részletet a besoroláshoz. A szavazás adja a súly háromnegyedét, az incidensadatok pedig egynegyedét. A két forrás nem mindig egyezett: a nyers incidensszámok szerinti rangsorban a prompt injection kiesik a top 10-ből, amit az OWASP „védelmi hatásnak” tulajdonít, mivel a csapatok keményen küzdenek ellene, és kevesebb tiszta exploit jut el a nyilvános adatbázisokba. A Misinformation esetében fordított volt a helyzet: a szavazók a lista vége felé, az incidensadatok az eleje felé helyezték, a bizonyítékok pedig végül a hetedik helyre húzták fel.
A 2026-os lista egy pillantásra
| 2026-os bejegyzés | Helyezés 2025-ben |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (System Prompt Leakage néven) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
A 2025-ös helyezések az OWASP 2025-ös listájából származnak.
LLM01:2026 Prompt Injection
Olyan bemenet, amely a fejlesztő által nem szándékolt módon változtatja meg a modell viselkedését, függetlenül attól, hogy felhasználótól, dokumentumból, eszközeredményből, képből vagy a memóriából érkezik. A bejegyzés most már a modalitásokon átívelő támadásokra is kiterjed, amelyek képekben vagy hanganyagban rejtenek el utasításokat. Intézkedés: a hitelesítő adatokat és az állapotot módosító műveleteket tartsa az alkalmazás kódjában, és műveletenként a legkisebb szükséges jogosultságot adja a modellnek. Ezt a bejegyzést részletesen bemutatja a prompt injectionről szóló útmutatónk.
LLM02:2026 Sensitive Information Disclosure (érzékeny információk felfedése)
Bizalmas vagy szabályozott adatok kiszivárgása bármely csatornán: a válaszon, az eszközhívások argumentumain, a gondolatmenet-nyomokon, a visszakeresett szövegrészleteken, a naplókon vagy a beágyazásokon keresztül. Az OWASP a legtöbb incidens mögött álló két hiba egyikeként a korábbi szakaszokban történő túlzott megosztást nevezi meg, például a korlátozás nélküli meghajtókat, amelyek egy visszakereséssel kiegészített generáláshoz (RAG) használt indexet táplálnak. Intézkedés: a jogosultságot már a visszakeresés előtt ellenőrizze, és a dokumentum- és részletszintű hozzáférés-szabályozást közvetlenül az indexlekérdezésen belül érvényesítse.
LLM03:2026 Excessive Agency (túlzott önállóság)
Káros műveletek, amelyeket a modell váratlan, kétértelmű vagy manipulált kimenetére reagálva hajtanak végre. A kiváltó okok a túlzott funkcionalitás, a túlzott jogosultságok vagy a túlzott önállóság. Ágensalapú rendszerekben az OWASP szerint ez eszközökkel való visszaélésként, identitással és jogosultságokkal való visszaélésként vagy láncreakciószerű hibákként jelenhet meg. Intézkedés: minimalizálja az eszközöket és a jogosultságaikat (egy e-mail-összefoglaló eszköznek csak olvasnia kell a leveleket), és a nagy hatású műveletekhez követeljen meg emberi jóváhagyást.
LLM04:2026 Supply Chain (ellátási lánc)
Harmadik féltől származó modellek, adatkészletek, adapterek (például LoRA), konverziós folyamatok és csomagok kockázatai, beleértve a „slopsquattingot”, amikor a támadók olyan csomagneveket regisztrálnak, amelyeket a kódolóasszisztensek hallucinálnak. Intézkedés: a modellartefaktumokat változtathatatlan digest alapján rögzítse, ne módosítható címke szerint, ellenőrizze az aláírásokat, és telepítés előtt győződjön meg arról, hogy az AI által javasolt függőségek valóban léteznek.
LLM05:2026 Data and Model Poisoning (adat- és modellmérgezés)
Manipulált adatok vagy modellartefaktumok, amelyek az előtanítás, a finomhangolás, a beágyazás vagy a terjesztés során hátsó kapukat vagy torzításokat ültetnek el. A mérgezés olcsó is lehet: Souly és munkatársai (2025) azt találták, hogy 250 mérgezett dokumentum az adathalmaz méretétől függetlenül kompromittálta a 600 millió és 13 milliárd paraméter közötti modelleket. Intézkedés: kövesse nyomon az adatok és a modellek eredetét, verziózza az adatkészleteit, és a csevegősablonokat, a tokenizáló-konfigurációkat és az adaptereket kezelje olyan kódként, amelyet alá kell írni és ellenőrizni kell.
LLM06:2026 Unbounded Consumption (korlátlan erőforrás-felhasználás)
Ellenőrizetlen inferencia, amely kiesésekhez, elszabaduló költségekhez („denial of wallet”) vagy kinyeréssel történő modellopáshoz vezet. A gondolkodó (reasoning) modellek, a multimodális bemenetek és az ágensek eszközhívási ciklusai tovább rontják a helyzetet. Intézkedés: kemény költségkorlátok, amelyek leállítják az inferenciát, valamint az ágensek számára áramkörmegszakítók (circuit breakers) lépés-, rekurzió-, idő- és futtatásonkénti költségkorlátokkal.
LLM07:2026 Misinformation (téves információk)
Helytelen vagy megalapozatlan kimenet, amely elég hihetőnek tűnik ahhoz, hogy valaki cselekedjen az alapján. Ágensalapú rendszerekben a rossz válaszból rossz művelet lesz, például amikor egy ágens azt jelenti, hogy lefutott egy biztonsági mentés, pedig valójában nem. Intézkedés: a claim-check-act (állítás, ellenőrzés, cselekvés) minta, amely elválasztja a generálást a végrehajtástól, és cselekvés előtt ellenőrzi az állításokat és az előfeltételeket.
LLM08:2026 Hidden Context Exposure (a rejtett kontextus kiszivárgása)
A rejtett kontextus kinyerése vagy rekonstruálása: rendszerpromptok, fejlesztői utasítások, visszakeresett szabályzatszövegek és eszközsémák. Az OWASP azt tanácsolja, induljon ki abból, hogy a rejtett kontextus felderíthető. Intézkedés: ne tegyen bele hitelesítő adatokat és titkokat, a jogosultság-ellenőrzést pedig a modellen kívüli, determinisztikus kódban érvényesítse.
LLM09:2026 Vector and Embedding Weaknesses (vektorok és beágyazások gyengeségei)
A RAG, az ágensmemória és a szemantikus gyorsítótárak alapjául szolgáló beágyazási réteg elleni támadások. Az OWASP megfogalmazásában: „a mérgezés tévedővé teszi a rendszert, az inverzió szivárgóvá, a zavarás némává, a hozzáférés-szabályozás hibája pedig válogatás nélkülivé”. Intézkedés: a bérlők szerinti elkülönítést (tenant scoping) közvetlenül az indexlekérdezésen belül érvényesítse, ne a visszakeresés utáni szűrőként, és a különböző bizalmi szintű tartalmakat tárolja külön indexekben.
LLM10:2026 Improper Output Handling (nem megfelelő kimenetkezelés)
A modell kimenetének ellenőrzés nélküli továbbadása, ami XSS-hez, SQL injectionhöz, SSRF-hez vagy távoli kódfuttatáshoz vezethet. A bejegyzés most már az asszisztensek által nagy tömegben generált, nem biztonságos kódra is kiterjed. Intézkedés: a modell kimenetét kezelje felhasználói bemenetként: kódolja a környezetének megfelelően, használjon paraméterezett lekérdezéseket, és kapcsolja ki a Markdown-képek és a hivatkozás-előnézetek automatikus megjelenítését.
Mi változott a 2025-ös kiadáshoz képest
Az OWASP szerint a sorrend „jobban megmozdult, mint az elmúlt években”. A fő változások:
- Az Excessive Agency a hatodik helyről a harmadikra lépett előre, amit az OWASP „a lista legjelentősebb elmozdulásának” nevez.
- Az Unbounded Consumption négy helyet lépett előre, az Improper Output Handling pedig esett vissza a legtöbbet, az ötödik helyről a tizedikre.
- A Prompt Injection és a Sensitive Information Disclosure megtartotta az első két helyet.
- A System Prompt Leakage-ből Hidden Context Exposure lett, egy tágabb bejegyzés.
- Új kategóriák felvétele helyett a meglévő bejegyzések olvasztották magukba az újabb kockázatokat: a modalitásokon átívelő injekciót, az olyan modellartefaktumokat, amelyek nem azok, aminek mondják magukat, a finomhangolás aláásását és a nem biztonságos generált kódot.
- A keretrendszer-megfeleltetések (NIST, MITRE ATLAS, CWE és mások) egyetlen függelékbe kerültek.
Az OWASP világosabb határt is húz. Ez a lista a modellt az Ön alkalmazásának komponenseként vizsgálja. Amint a modell eszközökkel, memóriával és a további rendszerekre kiható következményekkel rendelkező szereplővé válik, az OWASP azt javasolja, hogy egészítse ki az OWASP Top 10 ágensalapú alkalmazásokhoz listával, amelyet az AI-ágensek védelméről szóló útmutatónk mutat be.
Hogyan használja a listát a csapatában
Az OWASP tanácsa: „dolgozza végig mind a tízet, kezdje a tetején”. A gyakorlatban:
- Amikor egy LLM-funkciót tervez vagy felülvizsgál, menjen végig a tíz bejegyzésen, és jegyezze fel, hol sebezhető.
- Minden intézkedésből készítsen felelőshöz rendelt feladatjegyet, és a javítások után teszteljen újra.
- A megállapításokat címkézze a bejegyzések azonosítóival, hogy a fejlesztők, a biztonsági mérnökök és a termékgazdák közös szókincset használjanak.
- Csak olyan rendszereket teszteljen, amelyek az Ön tulajdonában vannak, vagy amelyek tesztelésére írásos engedélye van, és ellenőrizze, hogy a modellszolgáltatója feltételei megengedik-e a biztonsági tesztelést.
A saját tempóban végezhető AI-biztonság: LLM-alkalmazások és AI-ágensek védelme kurzus záróprojektje, a „Támadjon meg egy AI-ágenst, javítsa ki, és tesztelje újra”, egy biztonsági jelentéssel zárul, amely minden megállapítást hozzárendel az OWASP-listákhoz.
Hogyan tovább
Kezdje a lista élén álló bejegyzéssel: a prompt injectionről szóló útmutatónk elmagyarázza a közvetlen és a közvetett támadásokat, valamint a többrétegű védelmet. Ha az alkalmazása dokumentumokat keres vissza, alaposan nézze meg az LLM02 és az LLM09 bejegyzést, amelyek a visszakeresési jogosultságokkal és a beágyazási réteggel foglalkoznak; kapcsolódó, saját tempóban végezhető kurzusunk az AI mérnök: bevezetés a RAG-ba és a keresésbe.
E készségek strukturált elsajátításának egyik módja az AI-biztonság: LLM-alkalmazások és AI-ágensek védelme kurzus: saját tempóban végezhető, középhaladó szintű, 40 órás, és olyan fejlesztőknek, AI-mérnököknek és biztonsági szakembereknek szól, akik AI-funkciókat építenek vagy tesztelnek.

Tanuljon meg keresett tech készségeket online a Code Labs Academyvel
Csatlakozzon támogató közösségünkhöz, hozza ki magából a legtöbbet, és indítsa el tech karrierjét.
Jelentkezzen most