随着大模型与 AI Agent 技术在开发场景中的深入应用，如何安全地向智能体传递 API Token 等敏感凭证成为了一个亟待解决的问题。直接在对话窗口粘贴密钥会导致明文进入上下文日志，甚至触发部分 Codex 系统的安全机制拦截。针对这一痛点，开发者 Andiedie 推出了开源 Agent Skill 项目 Loopmark。该项目设计了一套安全的工作流程：Agent 根据任务生成表单链接发送给用户，用户在浏览器中填写信息；对于普通文本直接复制回对话，而对于密钥字段，则在浏览器端即进行高强度加密，确保明文从未出现在剪贴板或聊天记录中。Agent 获取密文后，将其下载并在本地环境解密至临时的 .env 文件中供程序调用。在加密实现上，Loopmark 采用了混合加密方案：问题会话使用随机 Session Code 派生的对称密钥加密，密钥字段则采用 ECDH 密钥协商结合 AES-GCM 算法。这意味着 Worker 和 R2 对象存储仅处理密文，无法直接解密。项目默认提供托管服务，同时也支持高阶用户将 Worker 和私有 R2 存储桶部署至个人 Cloudflare 账户，以满足严格的数据边界要求。该项目完全开源且基于 MIT License，开发者可通过 `npx skills add andiedie/loopmark` 快速集成，为 AI 自动化工作流提供了重要的安全基础设施。
事件分析
Loopmark 的技术价值在于它将传统的“端到端加密”通信理念移植到了“人类-AI 智能体”的交互场景中。在当前的 AI 编程浪潮下，大量开发者为了便利不得不将高权限 API 密钥暴露给云端模型，这构成了巨大的安全隐患。该项目通过客户端加密与服务端分离的架构，巧妙地让智能体具备了“使用权限”但无“阅读明文权限”，实现了能力与权限的解耦。从产业视角看，这种基于 Cloudflare Workers 和 R2 构建的轻量级中间件，代表了 AI 开发工具链的一个重要分支方向：即在拥抱 AI 自动化的同时，必须补齐身份认证与密钥管理的安全短板。随着企业级 AI 应用的普及，类似 Loopmark 这样既支持 SaaS 托管又允许私有化部署的解决方案，将成为构建可信 AI 环境的标配组件。
核心观点：Loopmark 通过“浏览器端加密、本地环境解密”的机制，在保障 AI 智能体执行能力的同时彻底解决了密钥明文上云的安全隐患。
原文链接：V2EX 分享发现
