安全与伦理

# ① 反序列化执行：pickle 能执行任意代码
import pickle
# ✗ 绝不 unpickle 不可信来源的数据（网络、用户上传、来路不明的 .pkl）
# ✓ 跨信任边界用 JSON；进程内缓存才用 pickle

# ② 注入：字符串拼接命令/SQL
import subprocess, sqlite3
# ✗ subprocess.run(f"ls {user_input}", shell=True)
subprocess.run(["ls", user_input])                  # ✓ 列表参数，无 shell 解析

# ✗ f"SELECT * FROM t WHERE n = '{name}'"
cur.execute("SELECT * FROM t WHERE n = ?", (name,)) # ✓ 参数化查询

# ③ eval/exec：等价于"把输入当代码运行"
# ✗ eval(user_input)
# ✓ 解析数据用 json.loads / ast.literal_eval（只允许字面量）

# ④ 秘密：代码、日志、异常信息都可能是泄漏面

供应链链条（pip install 的信任模型）：
  你 ──信任──► PyPI 包 ──信任──► 其传递依赖 ──► 构建脚本可执行任意代码
防护：
  ① 锁定文件（uv.lock）+ 哈希校验 → 依赖不被静默调包
  ② 最小依赖面：每加一个依赖都问"标准库/更主流的替代？"
  ③ 注意 typosquatting（模仿知名包名的恶意包）
  ④ 定期 uv audit / pip-audit 扫已知漏洞
秘密管理三层：环境变量（kp-037）→ 密管服务（Vault/云 KMS）→ 权限最小化

伦理决策框架（写自动化前过一遍）：
  授权：我有没有对目标系统/数据的合法访问权？
  边界：robots.txt、服务条款、速率限制是否遵守？
  数据：采集的数据是否含个人信息？用途与留存是否最小化？
  影响：我的脚本会不会挤占他人资源、干扰他人使用？
  AI 附加：LLM 输出是否可能误导他人？是否标注了 AI 生成？

# 一次安全的文件下载校验（哈希 + 大小限制）
import hashlib, httpx

MAX = 10 * 1024 * 1024
r = httpx.get(url, timeout=10, follow_redirects=True)
if len(r.content) > MAX:
    raise ValueError("超出大小限制")
digest = hashlib.sha256(r.content).hexdigest()
if digest != expected:          # 与发布方公布的哈希比对
    raise ValueError("哈希不符，可能被篡改")