安全应始于设计，而非事后添加。核心实践包括：威胁建模以明确攻击面；将安全要求作为领域业务规则强制执行；统一加密标准；数据库采用参数化查询、最小权限、TLS和密钥管理；严格配置CORS；日志字段级脱敏；CI/CD集成密钥扫描、静态分析、依赖漏洞扫描和配置校验；微服务间使用mTLS和签名事件认证；并将数据隐私合规落实为工程要求。

GitHub项目God's Eye View将航班、船舶、卫星、地震和摄像头等公开数据整合进浏览器三维地球，支持AI语音查询与图层切换。其价值在于教育、监测和灾害响应，但多源数据存在刷新频率、精度和许可差异，易造成误读与隐私风险。开发者应标注来源、时间与置信度，限制模型权限，并做威胁建模。

本文探讨云原生交付中的“影子AI”风险，即未经批准的AI工具或代理在软件生命周期中访问代码、密钥和云环境。文章按开发笔记本、源码控制、CI/CD、Kubernetes运行时等阶段进行威胁建模，并提出治理措施：为AI代理分配身份、最小权限、短期凭证，使用Kyverno、Falco、SPIFFE/SPIRE等CNCF工具加强策略、检测和供应链安全，强调人类审批和防御纵深，确保AI可控可审计。

AWS Security Agent 在 re:Invent 2025 上推出新功能，包括按需渗透测试、代码审核和威胁建模，支持多种代码存储库，提供安全分析和风险识别，帮助开发者保障应用安全。新集成的 Kiro 能力包和 Claude Code 插件可直接在 IDE 中运行，简化安全审查和修复流程。

模型能力迅速发展，但存在不均衡现象。与安全团队合作后发现，漏洞的发现变得简单，但验证和修补成为瓶颈。本文介绍了如何利用Claude Opus构建威胁模型，发现并修复代码中的漏洞，强调了威胁建模、沙箱环境、发现、验证、分类和修补六个步骤，以提高安全性和效率。

本文探讨了通过AI控制路线图保护内部系统，确保AI代理的安全性。采用“深度防御”策略，结合传统安全措施和模型对齐，以应对AI不对齐风险。重点在于威胁建模、实施控制措施和监测系统性能，以适应AI技术的快速发展，提升行业安全标准，促进政策制定者与学术界的合作。

安全软件开发需要在设计和编码阶段进行保护。STRIDE威胁建模帮助识别设计中的风险，而SonarQube通过静态分析强制执行安全编码实践。将这两者结合，可以有效识别、预防和修复现代应用中的安全漏洞，从而在开发生命周期早期集成安全，提升应用安全性。

AI技术加速了安全漏洞的发现，XBOW的自动化渗透测试工具在90天内发现超过1060个漏洞，超越了人类研究者的成果。JPMorgan的AI威胁建模系统提高了安全分析效率，缩短了建模时间。AI的应用使安全团队更有效整合资源，提升代码审查准确性，并实时提供安全指导。

在代理系统中，需将所有输入视为不可信，实施来源验证和权限控制以防止攻击。应分离规划与监督，使用短期凭证和沙箱环境限制工具访问。通过STRIDE和MAESTRO模型进行威胁建模，记录代理循环并逐步增强安全性。确保代理执行任务时有明确界限和人类监督，以防止潜在灾难性后果。

人工智能正在改变软件开发，同时带来了新的安全风险。开发者和安全专家需学习如何确保AI应用的安全。freeCodeCamp YouTube频道发布了一门由安全专家Robert Herbig主讲的新课程，内容涵盖AI与传统应用安全的区别、AI系统的威胁建模、输入输出风险及防止敏感数据泄露的方法。Robert强调，安全应是AI开发的基础，而非事后考虑。

威胁建模是一种系统工程实践，帮助团队识别数据流中的安全风险。文章强调将威胁建模融入开发流程，通过定期的小规模活动识别潜在威胁。使用STRIDE框架，团队可以系统性地识别安全漏洞。有效的威胁建模需要多方观点，促进团队对安全问题的共同理解，并逐步建立安全意识。通过简单的白板会议，团队能够快速识别和讨论威胁，形成安全故事并纳入开发流程。

威胁建模与测试规划应结合，以便更有效地识别安全问题。威胁模型提供系统滥用的见解，指导测试计划，通过早期合作和风险优先测试提升安全性，确保软件设计的安全性。