ข้ามไปยังเนื้อหาหลัก
กลับไปที่บล็อก

OWASP Top 10 สำหรับแอปพลิเคชัน LLM ปี 2026: อธิบายครบ 10 ความเสี่ยง

อัปเดตบน November 19, 20263 นาทีอ่าน


OWASP Top 10 สำหรับแอปพลิเคชัน LLM คือรายการความเสี่ยงด้านความปลอดภัยที่ร้ายแรงที่สุดสำหรับแอปที่สร้างบนโมเดลภาษาขนาดใหญ่ (LLM) ซึ่งจัดทำโดย OWASP GenAI Security Project ฉบับปี 2026 เผยแพร่ในเดือนสิงหาคม 2026 (หน้าแหล่งข้อมูลลงวันที่ 3 สิงหาคม) และประกาศอย่างเป็นทางการเมื่อวันที่ 1 กันยายน 2026 คู่มือนี้แสดงครบทั้งสิบรายการพร้อมรหัสทางการ อธิบายแต่ละรายการสั้น ๆ ให้มาตรการควบคุมที่ใช้ได้จริงรายการละหนึ่งข้อ และสรุปสิ่งที่เปลี่ยนไปจากปี 2025

จดหมายเปิดเล่มจากหัวหน้าโครงการกำหนดน้ำเสียงไว้ชัดเจน: “เลิกพยายามสร้างโมเดลที่ไม่มีวันถูกหลอกได้เสียที จงสร้างระบบรอบ ๆ โมเดล เพื่อที่ว่าเมื่อโมเดลถูกหลอก ซึ่งมันจะถูกหลอกแน่นอน จะไม่มีสิ่งสำคัญใดพังลง”

รายการปี 2026 สร้างขึ้นมาอย่างไร

ฉบับก่อน ๆ อาศัยวิจารณญาณของผู้ปฏิบัติงานในวงการ สำหรับปี 2026 OWASP ยังนำผลโหวตของชุมชนไปเทียบกับคลังข้อมูลเหตุการณ์จริง 7,714 เหตุการณ์จากฐานข้อมูลช่องโหว่สาธารณะและฐานข้อมูลความเสียหายจาก AI แห่งหนึ่ง ในจำนวนนี้มี 6,639 เหตุการณ์ที่มีรายละเอียดมากพอจะจัดหมวดหมู่ได้ ผลโหวตมีน้ำหนักสามในสี่ และข้อมูลเหตุการณ์มีน้ำหนักหนึ่งในสี่ ทั้งสองแหล่งไม่ได้สอดคล้องกันเสมอไป หากจัดอันดับตามจำนวนเหตุการณ์ดิบ prompt injection จะหลุดจาก 10 อันดับแรก ซึ่ง OWASP อธิบายว่าเป็นเพราะ “ผลของการป้องกัน” กล่าวคือทีมต่าง ๆ ต่อสู้กับความเสี่ยงนี้อย่างหนัก การโจมตีที่ชัดเจนจึงหลุดไปถึงฐานข้อมูลสาธารณะน้อยลง Misinformation เป็นไปในทางตรงกันข้าม ผู้โหวตจัดไว้ใกล้ท้ายตาราง แต่บันทึกเหตุการณ์จัดไว้ใกล้อันดับต้น ๆ และหลักฐานก็ดึงรายการนี้ขึ้นมาอยู่อันดับเจ็ด

รายการปี 2026 โดยสรุป

รายการปี 2026อันดับในปี 2025
LLM01:2026 Prompt Injection1
LLM02:2026 Sensitive Information Disclosure (การเปิดเผยข้อมูลอ่อนไหว)2
LLM03:2026 Excessive Agency (อำนาจกระทำการที่มากเกินไป)6
LLM04:2026 Supply Chain (ห่วงโซ่อุปทาน)3
LLM05:2026 Data and Model Poisoning (การวางยาพิษข้อมูลและโมเดล)4
LLM06:2026 Unbounded Consumption (การใช้ทรัพยากรแบบไม่จำกัด)10
LLM07:2026 Misinformation (ข้อมูลที่ผิดพลาด)9
LLM08:2026 Hidden Context Exposure (การเปิดเผยบริบทที่ซ่อนอยู่)7 (ในชื่อ System Prompt Leakage)
LLM09:2026 Vector and Embedding Weaknesses (จุดอ่อนของเวกเตอร์และเอ็มเบดดิง)8
LLM10:2026 Improper Output Handling (การจัดการเอาต์พุตที่ไม่เหมาะสม)5

อันดับของปี 2025 มาจากรายการปี 2025 ของ OWASP

LLM01:2026 Prompt Injection

อินพุตที่เปลี่ยนพฤติกรรมของโมเดลในแบบที่นักพัฒนาไม่ได้ตั้งใจ ไม่ว่าจะมาจากผู้ใช้ เอกสาร ผลลัพธ์จากเครื่องมือ รูปภาพ หรือหน่วยความจำ ตอนนี้รายการนี้ครอบคลุมการโจมตีข้ามโมดัล (cross-modal) ที่ซ่อนคำสั่งไว้ในรูปภาพหรือเสียงด้วย มาตรการควบคุม: เก็บข้อมูลรับรองและการกระทำที่เปลี่ยนสถานะไว้ในโค้ดของแอปพลิเคชัน และให้โมเดลมีสิทธิ์น้อยที่สุดสำหรับการดำเนินการแต่ละครั้ง คู่มือ prompt injection ของเราอธิบายรายการนี้อย่างละเอียด

LLM02:2026 Sensitive Information Disclosure (การเปิดเผยข้อมูลอ่อนไหว)

ข้อมูลลับหรือข้อมูลที่อยู่ภายใต้การกำกับดูแลรั่วไหลผ่านช่องทางใดก็ตาม ไม่ว่าจะเป็นคำตอบ อาร์กิวเมนต์ของการเรียกใช้เครื่องมือ ร่องรอยการให้เหตุผล chunk ที่ดึงมา ล็อก หรือเอ็มเบดดิง OWASP ระบุว่าการแชร์มากเกินไปตั้งแต่ต้นทาง เช่น ไดรฟ์ที่ไม่ได้จำกัดขอบเขตการเข้าถึงซึ่งป้อนข้อมูลเข้าสู่ดัชนีของ retrieval-augmented generation (RAG) เป็นหนึ่งในสองความผิดพลาดที่อยู่เบื้องหลังเหตุการณ์ส่วนใหญ่ มาตรการควบคุม: ตรวจสอบสิทธิ์ก่อนดึงข้อมูล โดยบังคับใช้การควบคุมการเข้าถึงระดับเอกสารและระดับ chunk ภายในคิวรีของดัชนี

LLM03:2026 Excessive Agency (อำนาจกระทำการที่มากเกินไป)

การกระทำที่สร้างความเสียหายซึ่งเกิดขึ้นเพื่อตอบสนองต่อเอาต์พุตของโมเดลที่ไม่คาดคิด กำกวม หรือถูกบิดเบือน ต้นเหตุคือฟังก์ชันการทำงาน สิทธิ์ หรือความเป็นอิสระที่มากเกินไป OWASP ระบุว่าในระบบเชิงเอเจนต์ ปัญหานี้อาจปรากฏในรูปของการใช้เครื่องมือในทางที่ผิด การใช้ตัวตนและสิทธิ์ในทางมิชอบ หรือความล้มเหลวแบบลูกโซ่ มาตรการควบคุม: ลดเครื่องมือและสิทธิ์ของเครื่องมือให้เหลือน้อยที่สุด (เครื่องมือสรุปอีเมลต้องการแค่สิทธิ์อ่านอีเมล) และกำหนดให้มนุษย์อนุมัติการกระทำที่มีผลกระทบสูง

LLM04:2026 Supply Chain (ห่วงโซ่อุปทาน)

ความเสี่ยงในโมเดล ชุดข้อมูล อะแดปเตอร์อย่าง LoRA ไปป์ไลน์การแปลงไฟล์ และแพ็กเกจของบุคคลที่สาม รวมถึง “slopsquatting” ซึ่งผู้โจมตีจดทะเบียนชื่อแพ็กเกจที่ผู้ช่วยเขียนโค้ดสร้างขึ้นจากอาการหลอน (hallucination) มาตรการควบคุม: ตรึงอาร์ติแฟกต์ของโมเดลด้วย digest ที่เปลี่ยนแปลงไม่ได้แทนแท็กที่เปลี่ยนได้ ตรวจสอบลายเซ็น และตรวจว่า dependency ที่ AI แนะนำมีอยู่จริงก่อนติดตั้ง

LLM05:2026 Data and Model Poisoning (การวางยาพิษข้อมูลและโมเดล)

ข้อมูลหรืออาร์ติแฟกต์ของโมเดลที่ถูกบิดเบือนจนฝังแบ็กดอร์หรืออคติไว้ระหว่างการฝึกล่วงหน้า (pre-training) การปรับแต่ง (fine-tuning) การสร้างเอ็มเบดดิง หรือการเผยแพร่ การวางยาพิษอาจทำได้ด้วยต้นทุนต่ำ Souly และคณะ (2025) พบว่าเอกสารที่ถูกวางยาพิษเพียง 250 ฉบับก็เจาะโมเดลขนาดตั้งแต่ 600M ถึง 13B พารามิเตอร์ได้ ไม่ว่าชุดข้อมูลจะใหญ่เพียงใด มาตรการควบคุม: ติดตามที่มา (lineage) ของข้อมูลและโมเดล จัดการเวอร์ชันของชุดข้อมูล และปฏิบัติต่อเทมเพลตแชต การตั้งค่า tokenizer และอะแดปเตอร์เหมือนโค้ดที่ต้องลงลายเซ็นและตรวจสอบ

LLM06:2026 Unbounded Consumption (การใช้ทรัพยากรแบบไม่จำกัด)

การอนุมาน (inference) ที่ไม่มีการควบคุมจนทำให้ระบบล่ม ค่าใช้จ่ายพุ่งสูงจนควบคุมไม่ได้ (“denial of wallet”) หรือโมเดลถูกขโมยผ่านการสกัด (extraction) โมเดลแบบ reasoning อินพุตแบบมัลติโมดัล และลูปการเรียกใช้เครื่องมือของเอเจนต์ล้วนทำให้ปัญหานี้รุนแรงขึ้น มาตรการควบคุม: ตั้งเพดานค่าใช้จ่ายแบบตายตัวที่หยุดการอนุมานเมื่อถึงขีดจำกัด พร้อม circuit breaker สำหรับเอเจนต์ที่จำกัดจำนวนขั้นตอน การเรียกซ้ำ (recursion) เวลา และค่าใช้จ่ายต่อการรันแต่ละครั้ง

LLM07:2026 Misinformation (ข้อมูลที่ผิดพลาด)

เอาต์พุตที่ผิดหรือไม่มีหลักฐานรองรับ แต่ดูน่าเชื่อถือพอที่คนจะนำไปปฏิบัติตาม ในระบบเชิงเอเจนต์ คำตอบที่ผิดจะกลายเป็นการกระทำที่ผิด เช่น เอเจนต์รายงานว่าสำรองข้อมูลเรียบร้อยแล้ว ทั้งที่ไม่เคยสำรองเลย มาตรการควบคุม: ใช้รูปแบบ claim-check-act ที่แยกการสร้างเนื้อหาออกจากการดำเนินการ และตรวจสอบข้ออ้างกับเงื่อนไขเบื้องต้นก่อนลงมือ

LLM08:2026 Hidden Context Exposure (การเปิดเผยบริบทที่ซ่อนอยู่)

การสกัดหรือสร้างบริบทที่ซ่อนอยู่ขึ้นมาใหม่ ได้แก่ system prompt คำสั่งของนักพัฒนา ข้อความนโยบายที่ดึงมา และสคีมาของเครื่องมือ OWASP แนะนำให้สมมติไว้ก่อนว่าบริบทที่ซ่อนอยู่สามารถถูกค้นพบได้ มาตรการควบคุม: อย่าใส่ข้อมูลรับรองและข้อมูลลับไว้ในบริบทนั้น และบังคับใช้การอนุญาตสิทธิ์ด้วยโค้ดแบบกำหนดแน่นอน (deterministic) ที่อยู่นอกโมเดล

LLM09:2026 Vector and Embedding Weaknesses (จุดอ่อนของเวกเตอร์และเอ็มเบดดิง)

การโจมตีชั้นเอ็มเบดดิงที่อยู่เบื้องหลัง RAG หน่วยความจำของเอเจนต์ และ semantic cache ตามคำของ OWASP “การวางยาพิษทำให้ระบบผิดพลาด การย้อนกลับ (inversion) ทำให้ข้อมูลรั่ว การรบกวน (jamming) ทำให้ระบบเงียบ และการควบคุมการเข้าถึงที่ล้มเหลวทำให้ระบบไม่เลือกปฏิบัติ” มาตรการควบคุม: บังคับขอบเขตตามผู้เช่า (tenant) ภายในคิวรีของดัชนี ไม่ใช่ใช้เป็นตัวกรองหลังการดึงข้อมูล และแยกเนื้อหาที่มีระดับความน่าเชื่อถือต่างกันไว้ในดัชนีคนละชุด

LLM10:2026 Improper Output Handling (การจัดการเอาต์พุตที่ไม่เหมาะสม)

การส่งเอาต์พุตของโมเดลต่อไปยังระบบปลายทางโดยไม่ตรวจสอบ ซึ่งอาจนำไปสู่ XSS, SQL injection, SSRF หรือการรันโค้ดจากระยะไกล ตอนนี้รายการนี้ครอบคลุมโค้ดที่ไม่ปลอดภัยซึ่งผู้ช่วย AI สร้างขึ้นเป็นจำนวนมากด้วย มาตรการควบคุม: ปฏิบัติต่อเอาต์พุตของโมเดลเหมือนอินพุตจากผู้ใช้ เข้ารหัส (encode) ให้เหมาะกับบริบทที่ใช้ ใช้ parameterized query และปิดการเรนเดอร์รูปภาพ Markdown และตัวอย่างลิงก์ (link preview) โดยอัตโนมัติ

สิ่งที่เปลี่ยนไปจากฉบับปี 2025

OWASP ระบุว่าลำดับ “ขยับมากกว่าปีที่ผ่าน ๆ มา” การเปลี่ยนแปลงหลักมีดังนี้

  • Excessive Agency ไต่จากอันดับหกขึ้นมาอยู่อันดับสาม ซึ่ง OWASP เรียกว่าเป็น “การขยับที่ส่งผลมากที่สุดในรายการ”
  • Unbounded Consumption ขยับขึ้นสี่อันดับ ส่วน Improper Output Handling ร่วงลงมากที่สุด จากอันดับห้าไปอยู่อันดับสิบ
  • Prompt Injection และ Sensitive Information Disclosure ยังครองสองอันดับแรกไว้ได้
  • System Prompt Leakage กลายเป็น Hidden Context Exposure ซึ่งเป็นรายการที่กว้างขึ้น
  • แทนที่จะเพิ่มหมวดหมู่ใหม่ รายการเดิมได้ผนวกความเสี่ยงใหม่ ๆ เข้าไป ได้แก่ injection ข้ามโมดัล อาร์ติแฟกต์ของโมเดลที่ไม่ได้เป็นอย่างที่อ้าง การบ่อนทำลายผ่านการปรับแต่งโมเดล (fine-tuning) และโค้ดที่ไม่ปลอดภัยซึ่งถูกสร้างขึ้น
  • การจับคู่กับเฟรมเวิร์ก (NIST, MITRE ATLAS, CWE และอื่น ๆ) ถูกย้ายไปรวมไว้ในภาคผนวกเดียว

OWASP ยังขีดเส้นแบ่งขอบเขตให้ชัดเจนขึ้นด้วย รายการนี้ครอบคลุมโมเดลในฐานะส่วนประกอบหนึ่งของแอปพลิเคชันของคุณ เมื่อโมเดลกลายเป็นผู้กระทำที่มีเครื่องมือ หน่วยความจำ และผลที่ตามมาต่อระบบปลายทาง OWASP แนะนำให้ใช้ร่วมกับ OWASP Top 10 สำหรับแอปพลิเคชันเชิงเอเจนต์ ซึ่งคู่มือวิธีปกป้องเอเจนต์ AI ของเราอธิบายไว้อย่างละเอียด

วิธีใช้รายการนี้ในทีมของคุณ

คำแนะนำของ OWASP คือ “จัดการให้ครบทั้งสิบรายการ โดยเริ่มจากรายการบนสุด” ในทางปฏิบัติ

  • ไล่ดูทั้งสิบรายการเมื่อออกแบบหรือตรวจทานฟีเจอร์ LLM และจดไว้ว่าฟีเจอร์นั้นเปิดช่องให้ถูกโจมตีตรงไหน
  • เปลี่ยนมาตรการควบคุมแต่ละข้อให้เป็นทิกเก็ตที่มีผู้รับผิดชอบ และทดสอบซ้ำหลังแก้ไข
  • ติดแท็กข้อค้นพบด้วยรหัสของรายการ เพื่อให้นักพัฒนา วิศวกรความปลอดภัย และ product owner ใช้คำศัพท์ชุดเดียวกัน
  • ทดสอบเฉพาะระบบที่คุณเป็นเจ้าของหรือได้รับอนุญาตเป็นลายลักษณ์อักษรให้ทดสอบเท่านั้น และตรวจสอบว่าข้อกำหนดของผู้ให้บริการโมเดลของคุณอนุญาตให้ทดสอบความปลอดภัย

โปรเจกต์จบหลักสูตรของคอร์ส “ความปลอดภัยของ AI: ปกป้องแอป LLM และเอเจนต์ AI” แบบเรียนตามจังหวะของตนเอง ซึ่งก็คือ “โจมตี แก้ไข และทดสอบเอเจนต์ AI ซ้ำ” จะปิดท้ายด้วยรายงานความปลอดภัยที่จับคู่ข้อค้นพบแต่ละข้อกับรายการของ OWASP

ขั้นต่อไป

เริ่มจากรายการบนสุด คู่มือprompt injection คืออะไร ของเราอธิบายการโจมตีโดยตรงและทางอ้อม รวมถึงการป้องกันหลายชั้น หากแอปของคุณดึงเอกสารมาใช้ ให้ดู LLM02 และ LLM09 อย่างละเอียด ซึ่งครอบคลุมสิทธิ์ในการดึงข้อมูลและชั้นเอ็มเบดดิง ส่วน “AI Engineer: เริ่มต้นกับ RAG และการค้นหา (Search)” เป็นคอร์สแบบเรียนตามจังหวะของตนเองที่เกี่ยวข้อง

วิธีหนึ่งในการสร้างทักษะเหล่านี้อย่างเป็นระบบคือคอร์ส “ความปลอดภัยของ AI: ปกป้องแอป LLM และเอเจนต์ AI” ซึ่งเรียนตามจังหวะของตนเอง ระดับกลาง ใช้เวลา 40 ชั่วโมง และออกแบบมาสำหรับนักพัฒนา วิศวกร AI และผู้เชี่ยวชาญด้านความปลอดภัยที่สร้างหรือทดสอบฟีเจอร์ AI

เรียนรู้ทักษะทางเทคนิคออนไลน์ด้วย Code Labs Academy

เรียนรู้ทักษะทางเทคนิคออนไลน์ด้วย Code Labs Academy

เข้าร่วมชุมชนที่สนับสนุนของเราปลดล็อกศักยภาพของคุณและเริ่มต้นเส้นทางอาชีพที่คุ้มค่า

สมัครเลย

คำถามที่พบบ่อย

OWASP Top 10 สำหรับแอปพลิเคชัน LLM ปี 2026 คืออะไร?

เป็นรายการความเสี่ยงด้านความปลอดภัยที่ร้ายแรงที่สุดสิบประการสำหรับแอปพลิเคชันที่สร้างบนโมเดลภาษาขนาดใหญ่ จัดทำโดย OWASP GenAI Security Project และเผยแพร่ในเดือนสิงหาคม 2026 แต่ละรายการอธิบายความเสี่ยง ยกสถานการณ์การโจมตี และระบุมาตรการบรรเทา

อะไรอยู่อันดับหนึ่งใน OWASP LLM Top 10 ปี 2026?

LLM01:2026 Prompt Injection อยู่อันดับหนึ่งเช่นเดียวกับในปี 2025 ส่วน Sensitive Information Disclosure (การเปิดเผยข้อมูลอ่อนไหว) ยังคงอยู่อันดับสอง และ Excessive Agency (อำนาจกระทำการที่มากเกินไป) ขยับขึ้นมาอยู่อันดับสาม

มีอะไรเปลี่ยนไปจาก OWASP LLM Top 10 ฉบับปี 2025?

ลำดับเปลี่ยนไปมากกว่าฉบับก่อน ๆ โดย Excessive Agency ขึ้นจากอันดับหกมาอยู่อันดับสาม Unbounded Consumption ขยับขึ้นสี่อันดับ และ Improper Output Handling ตกจากอันดับห้าไปอยู่อันดับสิบ System Prompt Leakage กลายเป็น Hidden Context Exposure และเป็นครั้งแรกที่การจัดอันดับนำข้อมูลจากเหตุการณ์จริงมาพิจารณาด้วย

เกิดอะไรขึ้นกับ System Prompt Leakage ในปี 2026?

รายการนี้ถูกเปลี่ยนชื่อและขยายขอบเขตเป็น LLM08:2026 Hidden Context Exposure (การเปิดเผยบริบทที่ซ่อนอยู่) ตอนนี้ครอบคลุมบริบทที่ซ่อนอยู่ทุกอย่างที่โมเดลมองเห็นได้ รวมถึงคำสั่งของนักพัฒนา ข้อความนโยบายที่ดึงมา และสคีมาของเครื่องมือ ไม่ใช่แค่ system prompt

LLM Top 10 ต่างจาก OWASP Top 10 สำหรับแอปพลิเคชันเชิงเอเจนต์อย่างไร?

LLM Top 10 ครอบคลุมโมเดลในฐานะส่วนประกอบหนึ่งภายในแอปพลิเคชันของคุณ เมื่อโมเดลลงมือทำเองโดยมีเครื่องมือ หน่วยความจำ และผลกระทบต่อระบบปลายทาง OWASP แนะนำให้ใช้ร่วมกับ Top 10 สำหรับแอปพลิเคชันเชิงเอเจนต์

บริการด้านอาชีพ

การสนับสนุนด้านอาชีพแบบเฉพาะบุคคลเพื่อเริ่มต้นเส้นทางในสายเทคโนโลยี ครอบคลุมการรีวิวเรซูเม่ การสัมภาษณ์จำลอง และข้อมูลเชิงลึกของอุตสาหกรรม เพื่อให้คุณนำเสนอทักษะใหม่ได้อย่างมั่นใจ

สำรวจ