# Lovable 搭的论坛，8 万份用户资料不用登录就能读

**Summary:** Crissy Field 调查了用 Lovable 生成的应用：一个论坛的 8 万多份用户资料、20 多万条聊天消息，不登录就能读取。报告里的 30% 只统计特定样本中含邮箱的记录，不代表所有 Lovable 应用的泄露率。应用能演示，不等于数据库权限已经查过。

- Canonical: https://markhuang.ai/zh/news/lovable-forum-exposed-profiles
- Language: zh-CN
- Author: [Mark Huang](https://markhuang.ai/about)
- Published: 2026-11-14
- Section: News
- Tags: Lovable, Supabase, AI 应用开发, 访问控制, 数据隐私
- Source: [Crissy Field](https://www.crissyfield.de/research/lovable-en/)
- License: https://creativecommons.org/licenses/by-nc/4.0/

---

![一个表面光洁的柜子，前面板是珊瑚色和紫色，侧面的抽屉拉开着，里面塞满空白的资料卡](https://cdn.markhuang.ai/news/lovable-forum-exposed-profiles/hero.webp)

*示意图：应用做得再漂亮，也说明不了它背后的记录谁能拿到。这不是受影响系统的截图。*

一个用 Lovable 做的德国生活方式论坛，暴露了 8 万多份用户资料，里面有姓名、邮箱、生日和性别。此外还有 20 多万条聊天消息也能被读到。Crissy Field 的研究人员说，他们不用登录就能把这些内容取出来，细节写在这份[调查 Lovable 应用](https://www.crissyfield.de/research/lovable-en/)的报告里。

在 Lovable 里，你用大白话描述想要什么，它就能生成一个网页应用，连账号系统和数据库都能一起做出来。所以对动手做应用的人来说，演示跑通只说明它能用，还有另一个问题没回答：应用背后那些数据，到底谁能读到？

如果你正用它把想法做成客服系统或内部工具，下一步该做的检查是另一回事：除了看应用让目标用户能做什么，还要看它不让别人做什么。往里面放真实用户的信息之前，这一步尤其重要。

## 暴露的记录里不止个人资料，还有 AI 摘要

这个论坛只是 Crissy Field 记下的几起严重案例之一。一家物业管理公司暴露了 AI 生成的内部邮件摘要，里面有租户、业主和商业伙伴的敏感信息。另一家服务商暴露了 1000 多条记录，内含身份证件信息，包括护照号码和有效期。

邮件被 AI 浓缩成摘要，里面的信息照样得保护。所以审查这类给商务邮件做摘要的工具时，存下来的摘要要和原始邮件一起查。

研究人员只取回了数据集的一部分，也没查是否有人滥用过这些暴露的信息。能读到，说明隐私保护出了漏洞；但仅凭这一点，证明不了之后发生过诈骗或身份盗用。

## 研究里那个 30% 到底在算什么

Crissy Field 借助 Common Crawl 网页存档找出了 159,041 个 Lovable 项目，分析时间从 2025 年 12 月到 2026 年 9 月。调查聚焦在 Supabase 上，这些项目里有 34,545 个用了这个数据库服务。Lovable 自家的数据库服务不在调查范围内。

在这批 Supabase 项目里，有 24,664 个网站在页面刚加载时就把数据库记录发了出去，不用登录，也不用人点任何东西。这未必有问题：公开网站本来就要把公开信息给出去。接着，研究人员用同一个 API 密钥又发了几次只读请求，发现其中 7,403 个网站返回了含邮箱地址的记录，分布在 10,560 张数据库表里。

30% 就是这么来的：那 24,664 个网站里，约三成被查出含邮箱的记录。这个比例描述的是那批特定样本，不是所有 Lovable 应用已确认的泄露率。公开的联系邮箱、测试数据都可能命中这个信号；反过来，不含邮箱的私密记录也可能被漏掉。Common Crawl 抓到的网页，本来就代表不了全部 Lovable 应用。

对我来说，报告里那些具体的敏感记录，比一个抢眼的百分比更有用。它们证明严重暴露确实发生过，也不必假装这项研究算出了某个 Lovable 应用有多容易泄露。

## 登录只回答了一半问题

登录解决的是“你是谁”，访问规则决定的却是“你能读什么、改什么”。页面把一条记录藏起来还不够。只要提供这条记录的服务仍会把它返回给未经授权的请求，藏了也等于没藏。

[Supabase 的行级安全文档](https://supabase.com/docs/guides/database/postgres/row-level-security)写的就是这么一类规则：在数据库内部执行，限定一次请求能读到哪些记录。文档举的一个例子，是让用户只能读自己的待办事项。表的权限同样要紧：服务既得管住一个人能做哪些操作，也得管住这些操作落在哪些记录上。

下面这张简化示意图，说明了为什么只盯着看得见的页面，判断不了这个问题。它画的是访问边界，不是从调查里还原某个具体应用：

```mermaid
flowchart TD
  A["访客访问应用页面"] --> B["请求数据库记录"]
  C["访客绕过页面直接请求数据"] --> B
  B --> D["数据库权限与记录访问规则"]
  D --> E["只返回该访客有权读取的记录"]
```

这些规则是文档里写明的防护措施，但不能拿来推断 Crissy Field 报告里每个应用到底错在哪。调查给出的细节，还不足以把每起暴露都归到某一个具体的配置失误上。

## 让检查落到具体问题上

Lovable 本身已经带了安全检查。它[现在的文档](https://docs.lovable.dev/features/security)里有一个 Quick scan，会检查数据库访问规则等内容，还有一个 Deep scan，审查应用逻辑和权限。同一份文档也说，这些工具保证不了绝对安全，也替代不了完整的审查。不过，它们现在能做什么，和报告里那些应用当时到底跑过哪些检查，是两回事。

我的建议是：先把每类记录允许谁看、允许谁改的规则写下来，再找懂行的人照这些规则逐条核对。在你自己的环境里拿假数据试：没登录的访客能不能拿到私密信息？换个普通账号，能不能读到另一个账号的私密记录？该用的人还能不能把应用承诺的事做完？这些只是几个检查点，不等于做完了一次完整的安全评估。

Crissy Field 的建议是，在应用接触真实的客户数据或业务数据之前，先检查权限、接口和账号之间的隔离，之后有大的改动再查一遍。

报告里这些案例，正是我在[《AI 让开发变简单了，我还是得学》](/blog/ai-makes-building-easier)里写过的那个学习问题，只不过这次落到了具体的应用上。AI 可以让人在还没弄懂里面每个决定的时候，就先做出一个能用的工具。可这个工具一旦要装别人的私密信息，主人就得拿得出证据：没权限的人读不到。
