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 2026 | อันดับในปี 2025 |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| 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
เข้าร่วมชุมชนที่สนับสนุนของเราปลดล็อกศักยภาพของคุณและเริ่มต้นเส้นทางอาชีพที่คุ้มค่า
สมัครเลย