OpenLegion vs nanobot: บทเรียนจากช่องโหว่ CVSS 10.0 เกี่ยวกับความปลอดภัย Agent

nanobot อาจเป็นกรณีศึกษาที่ให้บทเรียนที่สุดในพื้นที่ความปลอดภัย AI agent สร้างโดยห้องวิจัยทางวิชาการในต้นปี 2026 มันบีบ OpenClaw 430,000+ บรรทัดลงเหลือประมาณ 4,000 บรรทัด Python — การลดโค้ด 99% ที่ได้คะแนน 218 บน Hacker News (การตอบรับที่แข็งแกร่งที่สุดของทางเลือก Claw ใด) และดาว GitHub ประมาณ 20,000-26,000

จากนั้นภายในไม่กี่สัปดาห์หลังเปิดตัว นักวิจัยความปลอดภัยเปิดเผย ช่องโหว่วิกฤต (CVSS 10.0): WhatsApp bridge ของ nanobot ผูก WebSocket server ที่ 0.0.0.0:3001 โดยไม่มีการ authenticate ใครก็ตามในเครือข่ายสามารถ hijack เซสชัน WhatsApp ได้ ช่องโหว่วิกฤตเพิ่มเติมตามมา — shell command injection, path traversal bypass และช่องโหว่ remote code execution ที่สืบทอดจาก dependency LiteLLM

nanobot เป็นเครื่องมือสอนที่มีเจตนาดีซึ่งกลายเป็นกรณีศึกษาโดยบังเอิญว่าทำไมโค้ดเบาเพียงอย่างเดียวไม่เท่ากับโค้ดที่ปลอดภัย OpenLegion มีอยู่เพื่อทำให้บทเรียนนี้เป็นโครงสร้าง

OpenLegion เป็น AI agent framework ที่เน้นความปลอดภัยเป็นอันดับแรก พร้อมการแยก Docker container แบบบังคับ การจัดการข้อมูลรับรองผ่าน vault proxy การบังคับงบประมาณรายเอเจนต์ และการประสานงานโมเดลฝูง (blackboard + pub/sub + handoff)

OpenLegion กับ nanobot ต่างกันอย่างไร

nanobot เป็นการ reimplement OpenClaw ใน Python ~4,000 บรรทัดที่เน้นความเรียบง่ายเชิงการศึกษาและความสามารถในการอ่าน รองรับผู้ให้บริการ LLM 11+ ราย และช่องทาง messaging 8+ ตัว แต่ประสบช่องโหว่ WhatsApp bridge วิกฤต (CVSS 10.0 การ hijack เซสชัน WhatsApp โดยไม่ authenticate) shell injection path traversal และช่องโหว่ LiteLLM RCE OpenLegion เป็น framework Python ที่เน้นความปลอดภัยเป็นอันดับแรก พร้อมการแยก Docker container แบบบังคับต่อเอเจนต์ การจัดการข้อมูลรับรองผ่าน vault proxy ที่เอเจนต์ไม่เคยเห็น API key การบังคับงบประมาณรายเอเจนต์ และการประสานงานโมเดลฝูง (blackboard + pub/sub + handoff) nanobot เพิ่มประสิทธิภาพสำหรับการเรียนรู้และความเรียบง่าย; OpenLegion เพิ่มประสิทธิภาพสำหรับความปลอดภัยในโปรดักชัน

TL;DR

มิติ	OpenLegion	nanobot
โฟกัสหลัก	โครงสร้างพื้นฐานความปลอดภัยในโปรดักชัน	ความเรียบง่ายเชิงการศึกษา
ภาษา	Python	Python (~4,000 บรรทัด)
การแยกเอเจนต์	Docker container ต่อเอเจนต์ ไม่ใช่ root	flag restrict_to_workspace (ระดับแอปพลิเคชัน)
ความปลอดภัยของข้อมูลรับรอง	Vault proxy — เอเจนต์ไม่เคยเห็นคีย์	ไฟล์ config (~/.nanobot/config.json)
การควบคุมงบประมาณ	ตัดเข้มงวดรายวัน/รายเดือนรายเอเจนต์	ไม่มีในตัว
การจัดวง	การประสานงานโมเดลฝูง (blackboard + pub/sub + handoff)	เอเจนต์เดียวพร้อม sub-agent ใน background
ผู้ให้บริการ LLM	100+ ผ่าน LiteLLM	11+ (OpenRouter, Anthropic, OpenAI, DeepSeek ฯลฯ)
ช่องทาง messaging	5	8+ (Telegram, Discord, WhatsApp, Feishu, DingTalk ฯลฯ)
Multi-agent	เทมเพลตฝูงพร้อม ACL รายเอเจนต์	การ spawn sub-agent (ไม่มีการจัดวงฝูง)
หน่วยความจำ	ถาวรรายเอเจนต์พร้อม vector search	การดึงแบบ grep (หลีกเลี่ยง RAG โดยตั้งใจ)
ดาว GitHub	~59	~20,000-26,000
ใบอนุญาต	BSL 1.1	MIT
CVE ที่ทราบ	0	ช่องโหว่ WhatsApp bridge วิกฤต (CVSS 10.0) + 3 patch วิกฤตเพิ่มเติม
ที่มา	อิสระ	ห้องวิจัยทางวิชาการ

เลือก nanobot ถ้า...

คุณต้องการเรียนรู้ว่า AI agent ทำงานอย่างไร nanobot เป็นโครงร่างการสอน ที่ 4,000 บรรทัดพร้อมโครงสร้างชัดเจน เป็น codebase ที่ดีที่สุดสำหรับการเข้าใจลูปเอเจนต์แกนหลัก: provider abstraction, การส่งต่อเครื่องมือ, การดึงหน่วยความจำ และ chat gateway DataCamp เผยแพร่บทเรียนเต็ม ผู้สร้างออกแบบมาเพื่อความสามารถในการอ่านเชิงการศึกษาอย่างชัดเจน

คุณต้องการการรองรับแพลตฟอร์ม messaging เอเชีย nanobot มีการรองรับระดับเฟิร์สต์คลาสสำหรับ Feishu (Lark), DingTalk, QQ และแพลตฟอร์มที่อยู่ใกล้ WeChat — ช่องทางที่ไม่มี framework ที่เน้นตะวันตกครอบคลุมได้ดี หากการดีพลอยของคุณมุ่งสู่ messaging องค์กรจีน ระบบนิเวศของ nanobot อยู่ในตำแหน่งที่เป็นเอกลักษณ์

คุณต้องการรันเอเจนต์บน Raspberry Pi nanobot เบาพอสำหรับคอมพิวเตอร์บอร์ดเดียว รวมกับ Ollama สำหรับ inference ในเครื่อง คุณได้การทำงานเอเจนต์แบบ offline เต็มที่

คุณให้คุณค่ากับความเรียบง่ายเหนือโครงสร้างพื้นฐาน JSON config, หน่วยความจำแบบ grep (ไม่ต้องใช้ vector database) และ pip install ไม่มี Docker, ไม่มีการประสานงานโมเดลฝูง, ไม่มีการตั้งค่า vault จากการติดตั้งถึงเอเจนต์ที่รันในเวลาน้อยกว่าห้านาที

โมเมนตัมของชุมชนสำคัญ การเปิดตัว 218 คะแนน HN ของ nanobot, Discord ที่แอ็กทีฟ, การผสาน DataCamp และดาว ~20,000+ ดวงเป็นการลงทุนชุมชนที่สำคัญและกลุ่มผู้สนับสนุนขนาดใหญ่ที่แก้ปัญหาอย่างรวดเร็ว (CVSS 10.0 ถูก patch ภายในไม่กี่วัน)

เลือก OpenLegion ถ้า...

ความปลอดภัยต้องเป็นเชิงสถาปัตยกรรม ไม่ใช่ทางเลือก flag restrict_to_workspace ของ nanobot คือกลไกการแยกหลัก — boolean ที่สามารถ toggle ปิดได้ API key อยู่ในไฟล์ JSON config แบบ plaintext WebSocket server ส่งโดยไม่มีการ authenticate เหล่านี้ไม่ใช่กรณีขอบที่คลุมเครือ; เป็นการตัดสินใจสถาปัตยกรรมพื้นฐานที่ผลิต CVSS 10.0 ภายในไม่กี่สัปดาห์ OpenLegion ทำให้การตั้งค่าที่ไม่ปลอดภัยเป็นไปไม่ได้เชิงโครงสร้าง: การแยกคอนเทนเนอร์เป็นบังคับ vault proxy เป็น path เดียวสำหรับข้อมูลรับรอง และการประสานงานโมเดลฝูงถูกจำกัดด้วยการตรวจจับลูปเครื่องมือรายเอเจนต์

คุณไม่สามารถรับ CVSS 10.0 ในโปรดักชันได้ ช่องโหว่ WhatsApp bridge วิกฤตอนุญาตให้ผู้โจมตีที่อยู่ใกล้เครือข่ายโดยไม่ authenticate hijack เซสชัน WhatsApp โดยการเชื่อมต่อกับ WebSocket server ที่ไม่ปกป้องของ nanobot ที่พอร์ต 3001 ช่องโหว่ shell injection และ path traversal เพิ่มเติมถูกพบโดยนักวิจัยความปลอดภัยคนเดียวในการ audit ครั้งเดียว สถาปัตยกรรม vault proxy ของ OpenLegion หมายความว่าไม่มีข้อมูลรับรองให้ hijack — เอเจนต์เรียกผ่าน proxy ที่ฉีดคีย์ที่ระดับเครือข่าย

คุณต้องการการควบคุมต้นทุนรายเอเจนต์ nanobot ไม่มีการบังคับงบประมาณ ด้วยการรองรับผู้ให้บริการ 11+ และความสามารถในการ spawn sub-agent ใน background การใช้จ่าย API ที่ไม่ควบคุมสะสมเงียบ ๆ OpenLegion บังคับขีดจำกัดรายเอเจนต์รายวันและรายเดือนพร้อมตัดเข้มงวดอัตโนมัติ

คุณต้องการการประสานงานฝูง multi-agent ที่ตรวจสอบได้ nanobot รองรับการ spawn sub-agent แต่การจัดวงขับเคลื่อนด้วย LLM และไม่เป็นเชิงกำหนด การประสานงานโมเดลฝูงของ OpenLegion นิยามบันทึก handoff ที่ชัดเจน การเข้าถึงเครื่องมือ และ dependency รายเอเจนต์ — ตรวจสอบได้ก่อนการดีพลอย

คุณต้องพิสูจน์ท่าทีความปลอดภัยต่อ stakeholder ประวัติ CVE ของ nanobot ทำให้ขายยากต่อทีมความปลอดภัย ผู้ตรวจสอบการปฏิบัติตาม หรือการจัดซื้อระดับองค์กร สถาปัตยกรรม vault proxy ของ OpenLegion การแยกคอนเทนเนอร์แบบบังคับ และ ACL รายเอเจนต์ให้การควบคุมความปลอดภัยที่พิสูจน์ได้

การเปรียบเทียบโมเดลความปลอดภัย

secret อยู่ที่ไหน

nanobot เก็บ API key ใน ~/.nanobot/config.json — ไฟล์ JSON plaintext บนดิสก์ ไฟล์ config เริ่มแรกเขียนด้วยสิทธิ์ 0644 (โลกอ่านได้); ถูก patch เป็น 0600 ภายหลัง ณ รันไทม์ คีย์ถูกโหลดเข้าหน่วยความจำโพรเซส Python โค้ดใดที่เรียกใช้งานภายในโพรเซสของเอเจนต์อ่านได้

OpenLegion เก็บข้อมูลรับรองใน vault ที่เอเจนต์เข้าถึงไม่ได้ การเรียก API route ผ่าน vault proxy ที่ฉีดข้อมูลรับรองที่ระดับเครือข่าย ไม่มีไฟล์ config ที่มีคีย์ plaintext, ไม่มี environment variable ที่มี secret, ไม่มีไฟล์ข้อมูลรับรองที่ mount โพรเซสเอเจนต์ไม่เคยถือ API key

โมเดลการแยก

nanobot ใช้ flag restrict_to_workspace ที่จำกัดการดำเนินการไฟล์ให้อยู่ใน directory workspace นี่คือการตรวจสอบระดับแอปพลิเคชันในโค้ด Python — หากเอเจนต์บรรลุการรันโค้ดตามอำเภอใจ (ซึ่งช่องโหว่ shell injection สาธิตว่าเป็นไปได้) ข้อจำกัด workspace สามารถถูกข้ามได้ ไม่มีการแยกระดับ OS บังคับใช้

OpenLegion ใช้การแยก Docker container ต่อเอเจนต์ เอเจนต์แต่ละตัวรันในคอนเทนเนอร์แยกพร้อมการเรียกใช้งานไม่ใช่ root ไม่เข้าถึง Docker socket no-new-privileges และ resource cap ต่อคอนเทนเนอร์ แม้เอเจนต์จะบรรลุการรันโค้ดตามอำเภอใจภายในคอนเทนเนอร์ ก็ไม่สามารถเข้าถึงเอเจนต์อื่น ระบบโฮสต์ หรือคลังข้อมูลรับรอง

ประวัติ CVE

nanobot สะสมปัญหาด้านความปลอดภัยที่สำคัญในการมีอยู่ที่สั้น:

• ช่องโหว่ WhatsApp bridge วิกฤต (CVSS 10.0): WhatsApp WebSocket bridge ผูกกับ 0.0.0.0:3001 โดยไม่มีการ authenticate ผู้โจมตีที่อยู่ใกล้เครือข่ายสามารถ hijack เซสชัน ค้นพบโดยนักวิจัยความปลอดภัย
• Shell command injection (กลาง): input ผู้ใช้ที่ไม่ sanitize ส่งไปยังการรัน shell
• Path traversal bypass (กลาง): restrict_to_workspace สามารถถูกหลีกเลี่ยง
• LiteLLM RCE ผ่าน eval() (วิกฤต): สืบทอดจาก dependency การรันโค้ดระยะไกลผ่าน input ที่สร้างขึ้น
• Session poisoning (patch 26 กุมภาพันธ์ 2026): การ manipulate ประวัติ message

OpenLegion ไม่มี CVE ที่รายงาน ณ v0.1.0 สถาปัตยกรรมทำให้คลาสช่องโหว่ของ nanobot หลายตัวเป็นไปไม่ได้เชิงโครงสร้าง: vault proxy ขจัดการเปิดเผยข้อมูลรับรอง การแยก Docker ป้องกันการ escape path traversal และการประสานงานโมเดลฝูงป้องกันการรัน shell ตามอำเภอใจโดยไม่มีการให้สิทธิ์เครื่องมือชัดเจน

การควบคุมงบประมาณ

nanobot ไม่มีขีดจำกัดการใช้จ่ายในตัว Sub-agent ใน background สามารถเรียก API โดยไม่มีเพดาน

OpenLegion บังคับขีดจำกัดรายเอเจนต์รายวันและรายเดือนพร้อมตัดเข้มงวดอัตโนมัติ

ระบบนิเวศ nanobot: ทำอะไรได้ดีที่สุด

โครงร่างการสอน

ผลงานที่ยิ่งใหญ่ที่สุดของ nanobot คือการศึกษา ลูปเอเจนต์แกนหลัก — รับ message, ดึง context, เรียก LLM, ส่งต่อเครื่องมือ, คืน response — เปิดเผยใน Python ที่สะอาดและอ่านง่าย การเลือกใช้การดึงหน่วยความจำแบบ grep แทน RAG อย่างตั้งใจทำให้กลไกการดึงโปร่งใส JSON config มนุษย์อ่านได้ ทุกการตัดสินใจสถาปัตยกรรมให้ความสำคัญกับความเข้าใจเหนือความซับซ้อน

สำหรับนักเรียน นักวิจัย และนักพัฒนาที่เรียนรู้ว่า AI agent ทำงานภายในอย่างไร nanobot น่าจะเป็นจุดเริ่มต้นที่ดีที่สุด

การผสานแพลตฟอร์มเอเชีย

การรองรับช่องทางของ nanobot รวม Feishu (Lark), DingTalk, QQ และ Matrix — แพลตฟอร์มที่ครอบงำการสื่อสารองค์กรจีน ไม่มี framework อื่นในระบบนิเวศ OpenClaw ที่ให้การครอบคลุมเทียบได้ ที่มาทางวิชาการของโครงการอาจอธิบายโฟกัสนี้ และเป็นค่าที่แท้จริงสำหรับทีมที่ดำเนินการในตลาดเอเชีย

ความเข้ากันได้กับ skill ClawHub

nanobot ผสานกับระบบนิเวศ skill ClawHub ให้การเข้าถึง agent skill ที่ชุมชนสนับสนุน รูปแบบเอกสาร SKILL.md ใช้ร่วมข้าม nanobot, PicoClaw และโครงการในตระกูล Claw อื่น

วัฒนธรรมการตอบสนองรวดเร็ว

เมื่อช่องโหว่ WhatsApp bridge วิกฤตถูกเปิดเผย ทีม nanobot patch ภายในไม่กี่วัน การแก้ session poisoning ลงวันที่ 26 กุมภาพันธ์ Shell injection และ path traversal ถูกจัดการอย่างรวดเร็ว การตอบสนองของชุมชนน่าประทับใจอย่างแท้จริง — แต่ยังเน้นว่าปัญหาไม่ควรส่งออกตั้งแต่แรก

หลุมพรางโปรดักชันที่พบบ่อย

ปัญหาพื้นฐานคือเชิงสถาปัตยกรรม nanobot ออกแบบเป็นเครื่องมือสอนที่กลายเป็นที่นิยมในโปรดักชัน โมเดลความปลอดภัย — ข้อจำกัด workspace ระดับแอปพลิเคชัน, config plaintext, ไม่มีการแยกเครือข่าย — เหมาะสำหรับการทดลองในเครื่องแต่อันตรายในโปรดักชัน CVSS 10.0 ไม่ใช่บั๊กในโค้ดที่ซับซ้อน; เป็น WebSocket server ที่ไม่มีการ authenticate นี่คือชนิดของการมองข้ามที่ข้อจำกัดความปลอดภัยเชิงสถาปัตยกรรมป้องกัน

ความเสี่ยงของห่วงโซ่ dependency LiteLLM RCE (ผ่าน eval()) สาธิตว่าแม้แต่ codebase ที่น้อยที่สุดก็สืบทอดช่องโหว่จาก dependency 4,000 บรรทัดของ nanobot ตรวจสอบได้ แต่ tree dependency เต็มไม่ได้

ไม่มีโมเดลความปลอดภัยเครือข่าย nanobot ไม่มีแนวคิดของ network policy, การควบคุม ingress หรือการแยก service mesh เอเจนต์สามารถเชื่อมต่อขาออกตามอำเภอใจได้ รวมกับการเข้าถึง shell สิ่งนี้สร้างพื้นที่โจมตีที่กว้าง

สิ่งที่ OpenLegion ครอบคลุมต่างกัน

สถาปัตยกรรมของ OpenLegion ป้องกันคลาสช่องโหว่ของ nanobot โดยการออกแบบ:

• ช่องโหว่ WhatsApp bridge วิกฤต (บริการเครือข่ายไม่ authenticate): เอเจนต์ OpenLegion รันใน Docker container โดยไม่มีพอร์ตเปิดเป็นค่าเริ่มต้น การเข้าถึงเครือข่ายให้สิทธิ์ชัดเจนรายเอเจนต์
• Shell injection: การประสานงานโมเดลฝูงของ OpenLegion ต้องการการให้สิทธิ์เครื่องมือชัดเจน การเข้าถึง shell ไม่มีเว้นแต่จะเปิดใช้งานใน ACL ของเอเจนต์เฉพาะ
• Path traversal: การแยก Docker container ด้วย mount แบบ read-only และไม่มี Docker socket ขจัด path traversal เป็น vector การโจมตีที่มีความหมาย
• การเปิดเผยข้อมูลรับรอง: Vault proxy หมายความว่าไม่มีข้อมูลรับรองใน environment ของเอเจนต์ให้ขโมย
• Dependency RCE: การแยกคอนเทนเนอร์จำกัดรัศมีความเสียหาย — แม้ dependency จะมี RCE ผู้โจมตีถูกกักไว้ในคอนเทนเนอร์ที่ sandbox โดยไม่มีข้อมูลรับรอง

ข้อแลกเปลี่ยนระหว่างการโฮสต์ vs Self-Host

nanobot ออกแบบสำหรับการ self-host ในเครื่อง pip install, JSON config และเอเจนต์ที่รันในไม่กี่นาที ไม่มีบริการที่โฮสต์ ลักษณะเบาทำให้ระบบ Linux ใด, macOS หรือแม้แต่ Raspberry Pi โฮสต์ได้

OpenLegion ต้องการ Python, SQLite และ Docker แพลตฟอร์มที่โฮสต์ (กำลังมา) จะเสนออินสแตนซ์ VPS รายผู้ใช้ที่ $19/เดือน ข้อกำหนด Docker เพิ่มภาระโครงสร้างพื้นฐานแต่ให้ชั้นการแยกที่ทำให้การดีพลอยในโปรดักชันปลอดภัย

เหมาะกับใคร

nanobot เหมาะสำหรับนักเรียน นักวิจัย และนักพัฒนาเดี่ยวที่ต้องการเข้าใจสถาปัตยกรรม AI agent ผ่าน codebase ที่สะอาดและอ่านง่าย ยังมีค่าสำหรับทีมที่มุ่งสู่แพลตฟอร์ม messaging เอเชีย (Feishu, DingTalk, QQ) ผู้ใช้ในอุดมคติรัน nanobot ในเครื่องสำหรับงานส่วนตัวและไม่เปิดเผยต่อเครือข่ายที่ไม่เชื่อถือ

OpenLegion เหมาะสำหรับทีมวิศวกรรมที่ดีพลอยเอเจนต์ในสภาพแวดล้อมที่เหตุการณ์ความปลอดภัยมีผลกระทบทางธุรกิจ ผู้ใช้ในอุดมคติต้องสาธิตการแยกข้อมูลรับรอง การควบคุมต้นทุน และ audit trail ต่อ stakeholder — และไม่สามารถเสี่ยง CVSS 10.0 ในโปรดักชัน

ข้อแลกเปลี่ยนแบบซื่อตรง

nanobot พิสูจน์ว่าคุณสามารถสร้างรันไทม์ AI agent ใหม่ใน 4,000 บรรทัดได้ ความสำเร็จนั้นจริงและมีค่าสำหรับระบบนิเวศ แต่ช่องโหว่ WhatsApp bridge วิกฤตพิสูจน์ว่าความเรียบง่ายและความปลอดภัยไม่ใช่สิ่งเดียวกัน codebase 4,000 บรรทัดที่มี CVSS 10.0 ปลอดภัยน้อยกว่า codebase ~77,000 บรรทัดที่มีข้อจำกัดเชิงสถาปัตยกรรมที่ทำให้คลาสช่องโหว่นั้นเป็นไปไม่ได้

หากคุณต้องการเรียนรู้ว่าเอเจนต์ทำงานอย่างไร อ่านซอร์สของ nanobot หากคุณต้องการดีพลอยเอเจนต์อย่างปลอดภัย ใช้ framework ที่การตั้งค่าไม่ปลอดภัยไม่สามารถเกิดได้

สำหรับภูมิทัศน์เต็ม ดูการเปรียบเทียบ AI agent framework

คำถามที่พบบ่อย

nanobot คืออะไร

nanobot เป็นการ reimplement OpenClaw ใน Python ~4,000 บรรทัดที่สร้างโดยห้องวิจัยทางวิชาการ รองรับผู้ให้บริการ LLM 11+ ราย และช่องทาง messaging 8+ ตัว (รวมถึงแพลตฟอร์มเอเชียอย่าง Feishu, DingTalk และ QQ) เปิดตัว 2 กุมภาพันธ์ 2026 และมีดาว GitHub ประมาณ 20,000-26,000 ดวง ได้รับการตอบรับจาก Hacker News ที่แข็งแกร่งที่สุดของทางเลือก OpenClaw ใด (218 คะแนน 111 ความคิดเห็น)

OpenLegion vs nanobot: ต่างกันอย่างไร

nanobot เป็นโครงร่างการสอนเชิงการศึกษา — น้อยที่สุด อ่านง่าย และออกแบบสำหรับการเรียนรู้ OpenLegion เป็น framework ความปลอดภัยโปรดักชัน nanobot ใช้ข้อจำกัด workspace ระดับแอปพลิเคชันและ JSON config plaintext; OpenLegion ใช้การแยก Docker container และข้อมูลรับรอง vault proxy nanobot ประสบช่องโหว่ WhatsApp bridge วิกฤต (CVSS 10.0) บวกช่องโหว่วิกฤตเพิ่มเติมสามตัว; OpenLegion ไม่มี CVE ที่รายงาน ณ v0.1.0 และสถาปัตยกรรมที่ทำให้คลาสช่องโหว่เหล่านั้นเป็นไปไม่ได้เชิงโครงสร้าง

OpenLegion เป็นทางเลือกแทน nanobot หรือไม่

ใช่ ทั้งคู่เป็น AI agent framework บน Python แต่ตอบสนองวัตถุประสงค์ต่างกัน nanobot ดีที่สุดสำหรับการเรียนรู้และการทดลองในเครื่อง OpenLegion เป็นทางเลือกสำหรับทีมที่ต้องการความปลอดภัยระดับโปรดักชัน — การแยกข้อมูลรับรอง vault proxy การบังคับงบประมาณรายเอเจนต์ การแยก Docker container และการประสานงานโมเดลฝูง (blackboard + pub/sub + handoff)

การจัดการข้อมูลรับรองระหว่าง OpenLegion และ nanobot เปรียบเทียบกันอย่างไร

nanobot เก็บ API key ใน ~/.nanobot/config.json (เริ่มแรกโลกอ่านได้จนกว่าจะ patch) คีย์ถูกโหลดเข้าหน่วยความจำโพรเซส Python ณ รันไทม์ OpenLegion ใช้ vault proxy — เอเจนต์เรียก API ผ่าน proxy ที่ฉีดข้อมูลรับรองที่ระดับเครือข่าย เอเจนต์ไม่เคยถือ อ่าน หรือมีการเข้าถึง API key ในรูปแบบใด

ตัวไหนดีกว่าสำหรับ AI agent ในโปรดักชัน

OpenLegion เหมาะกับโปรดักชันมากกว่าอย่างมีนัยสำคัญ nanobot ออกแบบเป็นเครื่องมือสอนและสะสมช่องโหว่ WhatsApp bridge วิกฤต (CVSS 10.0) shell injection path traversal และช่องโหว่ dependency RCE ภายในไม่กี่สัปดาห์หลังเปิดตัว การแยกคอนเทนเนอร์แบบบังคับของ OpenLegion ข้อมูลรับรอง vault proxy งบประมาณรายเอเจนต์ และการประสานงานโมเดลฝูงที่ตรวจสอบได้จัดการคลาสช่องโหว่ที่ส่งผลกระทบต่อ nanobot อย่างแน่นอน

nanobot เหมือนกับ nanobot (Obot AI) หรือไม่

ไม่ มีโครงการสองโครงการที่ต่างกันโดยสิ้นเชิงที่ใช้ชื่อเดียวกัน nanobot ที่กล่าวถึงในหน้านี้คือทางเลือก OpenClaw แบบ Python ~4,000 บรรทัดจากห้องวิจัยทางวิชาการ nanobot ของ Obot AI เป็นแพลตฟอร์ม agent MCP แบบ Go ที่ได้ทุน $35M seed จากทีม Rancher Labs หน้านี้เปรียบเทียบ OpenLegion กับเวอร์ชันทางเลือก OpenClaw แบบ Python

ช่องโหว่ WhatsApp bridge วิกฤตของ nanobot คืออะไร

WhatsApp bridge ของ nanobot มีช่องโหว่วิกฤต (CVSS 10.0) ที่ WebSocket server ผูกกับ 0.0.0.0:3001 โดยไม่มีการ authenticate ผู้โจมตีที่อยู่ใกล้เครือข่ายใดสามารถเชื่อมต่อและ hijack เซสชัน WhatsApp ที่แอ็กทีฟ ถูก patch อย่างรวดเร็วแต่สาธิตความเสี่ยงของการดีพลอย agent framework โดยไม่มีการแยกเครือข่ายเชิงสถาปัตยกรรม

ฉันย้ายจาก nanobot ไปยัง OpenLegion ได้หรือไม่

JSON config และการตั้งค่าเอเจนต์ของ nanobot จะถูกปรับโครงสร้างเป็นการประสานงานโมเดลฝูงพร้อมการให้สิทธิ์เครื่องมือชัดเจน ขีดจำกัดงบประมาณ และ ACL รายเอเจนต์ การตั้งค่าผู้ให้บริการ LLM ย้ายได้โดยตรงเนื่องจากทั้งคู่ใช้การตั้งค่าผู้ให้บริการที่เข้ากันได้กับ LiteLLM ดูหน้าการจัดวง AI agent

---

การเปรียบเทียบที่เกี่ยวข้อง

ข้อความ Anchor	ปลายทาง
OpenLegion vs NanoClaw	/comparison/nanoclaw
OpenLegion vs PicoClaw	/comparison/picoclaw
OpenLegion vs ZeroClaw	/comparison/zeroclaw
OpenLegion vs OpenClaw	/comparison/openclaw
AI agent frameworks comparison 2026	/learn/ai-agent-frameworks
AI agent security analysis	/learn/ai-agent-security