Servus, Lissy hier. Ein falsches Update, und deine API-Keys sind weg. Gestohlen von einer Bibliothek, die tausende Firmen täglich nutzen, um ihre KI-Modelle anzusteuern. Klingt nach Panikmache? Ist es nicht. Genau das ist gestern mit LiteLLM passiert, dem de-facto-Standard-Gateway zwischen Unternehmen und ihren LLM-APIs. Eine einzige Version auf PyPI war kompromittiert: Credential-Stealer, Backdoor, automatische Ausführung bei jedem Python-Start. Und das wirft eine Frage auf, die viele von uns gern verdrängen: Wenn mein KI-Stack aus Open Source besteht, wer schützt mich dann? Genau darum geht es heute. Plus: Warum ein Security-Audit als Skill genauso viel bringt wie ein teures Tool. Und wieso ein kleiner Coding-Agent mit den richtigen Werkzeugen oft mehr kann als das nächstgrößere Modell.
Fangen wir mit dem Vorfall an, der euch heute betreffen könnte. LiteLLM ist eine Python-Bibliothek, die Firmen als Gateway zwischen verschiedenen KI-Modellen einsetzen. Ihr kennt das Prinzip: Statt für jeden Anbieter eine eigene Anbindung zu bauen, geht alles durch LiteLLM. OpenAI, Anthropic, lokale Modelle, alles über eine Schnittstelle. Entsprechend weit verbreitet ist die Software. Gestern hat SafeDep aufgedeckt, dass die Version 1.107.0 auf PyPI einen Credential-Stealer und eine Hintertür für Remote-Code-Ausführung enthielt. Dateien, die im offiziellen GitHub-Repository überhaupt nicht existieren. Die Schadsoftware liegt in drei Dateien, von denen zwei bei jedem Python-Start auf dem Rechner automatisch laden. Völlig unabhängig davon, ob ihr LiteLLM in dem Projekt überhaupt importiert. Der Stealer sammelt SSH-Keys, Cloud-Zugangsdaten, CI/CD-Secrets, Tokens von KI-Tools und Browser-Passwörter. Und die Hintertür prüft stündlich, ob neue Befehle von einem externen Server ausgeführt werden sollen. PyPI hat die Version inzwischen entfernt. Die Vorversionen 1.106.2, 1.107.0rc1 und 1.107.0rc2 sind sauber. Es ist übrigens nicht der erste Angriff auf diese Bibliothek. Schon im März waren zwei Versionen auf dem Paket-Server kompromittiert. Offenbar ein wiederkehrender Angriffsweg, und genau das macht die Sache so ernst. Was heißt das für euch? Erstens: Prüft, ob in eurem Stack, euren Projekten oder eurer CI/CD-Pipeline LiteLLM 1.107.0 installiert ist. Ein schneller pip freeze oder ein Blick in die Requirements-Datei reicht. Zweitens: Wenn ihr die Version findet, dreht sofort alle API-Keys und Tokens, die durch diese Umgebung gelaufen sind. Drittens: Entscheidet für jede Komponente eures KI-Stacks, ob ihr sie lieber selbst hostet oder einen Managed-Dienst nutzt. Self-Hosted gibt Kontrolle und kann günstiger sein, aber es bedeutet auch, dass ihr für Updates, Version-Pinning und Sicherheits-Checks verantwortlich seid. Ein Managed-Dienst schiebt diese Verantwortung ab, kostet aber mehr und schafft Abhängigkeit. Der Check dauert 30 bis 60 Minuten und ist heute der wichtigste Schritt, den ihr für eure KI-Infrastruktur tun könnt.
Nach dem LiteLLM-Vorfall stellt sich natürlich die Frage: Wie finde ich überhaupt raus, ob in meinem Stack etwas faul ist? Genau hier kommt ein Tool ins Spiel, das ich besonders spannend finde, weil es das Skill-Prinzip auf eine neue Ebene hebt. Cloudflare hat einen Coding-Agent-Skill für Sicherheits-Audits veröffentlicht. Das ist eine Sammlung von Anweisungen für Coding-Agenten wie Claude Code oder Codex, die einen mehrstufigen Security-Audit durchführen. Der Skill scannt Code auf Schwachstellen, prüft Konfigurationen und erzeugt maschinenlesbare Ergebnisse, die unabhängig verifiziert werden können. Das Repository hat inzwischen über 36.000 Sterne auf GitHub und steht auf Platz eins der Trending-Seite. Das Besondere daran: Ihr braucht kein teures Pentest-Tool und keinen externen Dienst. Ihr gebt eurem Coding-Agenten den Skill, lasst ihn gegen euer Repository laufen, und bekommt einen reproduzierbaren Audit-Bericht. Der 30- bis 60-Minuten-Test für heute: Klont das Repository, gebt den Skill eurem Coding-Agenten und lasst einen Audit gegen ein kleines Projekt laufen. Die Erfolgsschwelle ist erreicht, wenn der Audit reproduzierbare, verifizierte Ergebnisse liefert statt Halluzinationen. Der typische Anfängerfehler: Die Ergebnisse nicht kritisch zu prüfen. Auch der beste Skill findet False Positives, und am Ende müsst ihr selbst entscheiden, was relevant ist. Aber als Einstieg in systematische Sicherheits-Checks ist das ein verdammt guter Startpunkt.
Der LiteLLM-Vorfall und der Cloudflare-Skill zeigen beide dasselbe Muster: Oft ist der billigere Weg nicht der größere Einkauf, sondern die bessere Ausstattung. Genau das belegt ein Paper, das diese Woche auf arXiv erschienen ist. S-Agent 2.0 von Forschern in China macht einen einfachen, aber überraschenden Punkt: Für räumliche Wahrnehmungsaufgaben, also wenn ein Modell verstehen muss, wo Objekte im 3D-Raum sind und wie sie sich bewegen, schlagen Werkzeuge oft das reine Modell-Upgrade. Die Forscher haben einem handelsüblichen Coding-Agenten ein Kommandozeilen-Werkzeugkit für 3D-Analyse gegeben. Statt das Modell alles aus einem Bild schließen zu lassen, fragt der Agent gezielt Geometrien ab, speichert Befunde in einem persistenten Gedächtnis und formuliert jede Messung in räumlicher Sprache. Das Ergebnis: Ein offenes 27-Milliarden-Parameter-Modell, Qwen 3.8, verbessert sich mit diesem Toolkit um knapp 14 Punkte auf einem Benchmark und über 20 Punkte auf einem zweiten. Damit schlägt es sogar das spezialisierte System SpatialClaw, obwohl Qwen ein Generalist ist. Und das Beste: Der Ansatz funktioniert sowohl mit Codex als auch mit Claude Code. Wer also heute einen Coding-Agenten nutzt und an eine Grenze stößt, sollte zuerst fragen: Brauche ich ein teureres Modell oder reicht ein zusätzliches Werkzeug, eine kleine Prüffunktion oder eine Context-Quelle?
Anthropic hat gestern ein Research Preview von Claude Duet veröffentlicht. Das ist ein proaktiver Assistent, der Aufgaben übernimmt, während ihr weg seid, und nur nachfragt, wenn es um sensible Entscheidungen geht. Während ihr schlaft, fasst er zusammen, bereitet den nächsten Arbeitstag vor und bleibt still, bis etwas eure Aufmerksamkeit braucht. Angetrieben von Opus 5.5, verfügbar in den US-Plänen Pro und Max, mit Warteliste. Er fragt vor dem Senden von Nachrichten oder Zahlungen und arbeitet mit über 6.000 Connectors und Plugins zusammen. Ein Signal dafür, dass persönliche KI-Assistenten den Sprung vom reinen Frage-Antwort-Tool zum Hintergrundbegleiter machen. Kein Grund zur Eile, aber ein echter Richtungswechsel.
Und noch eine strategische Nachricht. OpenAI hat angekündigt, dass seine Modelle bald in der Google Cloud verfügbar sein werden. Wer also auf Google Cloud Platform arbeitet, kann GPT-Modelle direkt in der Gemini-Agent-Umgebung nutzen. Microsoft bleibt der primäre Cloud-Partner, aber das ist trotzdem ein starkes Zeichen: Die historische Rivalität zwischen OpenAI und Google entspannt sich auf Cloud-Ebene. Multi-Cloud wird einfacher, Vendor-Lock-in weicher. Für alle, die LLMs produktiv betreiben, eine gute Entwicklung.
Blickt man auf den heutigen Tag zurück, dann geht es eigentlich um eine einzige Frage. Open Source gibt mir Kontrolle, aber sie gibt mir auch Verantwortung. Ich kann entscheiden, welche Komponente ich selbst hoste und welche ich mir als Dienst einkaufe. Ich kann meinen Coding-Agenten mit Werkzeugen ausstatten, bevor ich das teurere Modell buche. Ich kann kostenlose Skills für Security-Audits nutzen, statt teure Tools zu kaufen. Und ich kann beobachten, wie sich der Markt öffnet. Das alles sind Architekturentscheidungen, keine Produktentscheidungen. Und die gute Nachricht: Der nächste Schritt ist ein 30-Minuten-Check, den ihr heute noch machen könnt. Schaut in euren Requirements-Dateien nach, ob LiteLLM 1.107.0 installiert ist. Wenn nicht, ist der erste und wichtigste Check schon erledigt. Wenn doch, wisst ihr, was zu tun ist. Die Adresse für Fragen und eure Erfahrungen steht wie immer in den Shownotes. Pfiat euch und bis morgen, eure Lissy.