---
id: CP-276
slug: slopsquatting-zmyslone-pakiety-ai
lang: pl
title: "Slopsquatting: pakiet zmyślony przez AI"
description: Asystent programowania może doradzić pakiet, który nie istnieje, a atakujący może go potem utworzyć. Co pokazują badania i jaki odruch przyjąć.
canonical_url: https://startbrain.io/cyberpedia/pl/articles/slopsquatting-zmyslone-pakiety-ai/
markdown_url: https://startbrain.io/cyberpedia/pl/articles/slopsquatting-zmyslone-pakiety-ai.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, „Slopsquatting: pakiet zmyślony przez AI”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/pl/articles/slopsquatting-zmyslone-pakiety-ai/ (CC BY 4.0)"
wing: 4
theme: verify_output
reflex: air-029
schema: G2
updated: "2026-11-14"
translations:
  pl: https://startbrain.io/cyberpedia/pl/articles/slopsquatting-zmyslone-pakiety-ai/
  fr: https://startbrain.io/cyberpedia/fr/articles/slopsquatting-paquets-inventes-ia/
  en: https://startbrain.io/cyberpedia/en/articles/slopsquatting-ai-invented-packages/
  de: https://startbrain.io/cyberpedia/de/articles/slopsquatting-erfundene-pakete-ki/
  es: https://startbrain.io/cyberpedia/es/articles/slopsquatting-paquetes-inventados-ia/
  it: https://startbrain.io/cyberpedia/it/articles/slopsquatting-pacchetti-inventati-ia/
  nl: https://startbrain.io/cyberpedia/nl/articles/slopsquatting-door-ai-verzonnen-pakketten/
  pt: https://startbrain.io/cyberpedia/pt/articles/slopsquatting-pacotes-inventados-ia/
  ja: https://startbrain.io/cyberpedia/ja/articles/slopsquatting-ai-invented-packages/
sources:
  - "n": 1
    title: We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs
    publisher: arXiv
    url: https://arxiv.org/abs/2406.10279
    published: "2024-06-12"
    accessed: "2026-11-14"
  - "n": 2
    title: "The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort"
    publisher: arXiv
    url: https://arxiv.org/abs/2605.17062
    published: "2026-05-16"
    accessed: "2026-11-14"
  - "n": 3
    title: LLM09:2025 Misinformation
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm092025-misinformation/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 4
    title: "Library Hallucinations in LLM-Generated Code: A Risk Analysis Grounded in Developer Queries"
    publisher: arXiv
    url: https://arxiv.org/abs/2509.22202
    published: "2025-09-26"
    accessed: "2026-11-14"
  - "n": 5
    title: "Names Can Hurt: Spotting Slopsquatting Risks Caused by Package Name Hallucinations in Local Coding LLMs"
    publisher: arXiv
    url: https://arxiv.org/abs/2608.23897
    published: "2026-08-24"
    accessed: "2026-11-14"
  - "n": 6
    title: LLM03:2025 Supply Chain
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm032025-supply-chain/
    published: "2024-04-10"
    accessed: "2026-11-14"
---

# Slopsquatting: pakiet zmyślony przez AI

Asystent programowania może zaproponować zainstalowanie pakietu oprogramowania, który nie istnieje. Badacze mówią o halucynacji pakietu: błędzie, w którym model, pisząc kod, przeczy faktom [1]. Widzą w tym nową formę ataku przez pomylenie pakietów [1]. Jeśli atakujący zarejestruje zmyśloną nazwę, może umieścić pod nią złośliwy kod [3]. Ten atak nosi nazwę slopsquatting [2].

Liczby w tym artykule pochodzą z badań naukowców. Są to luki wykazane i zmierzone przez badaczy, a nie atak zaobserwowany u ofiar.

## W 30 sekund

- Gdzie to się zdarza: gdy asystent programowania poleca pakiet dla Pythona lub JavaScriptu [1].
- Czego chce atakujący: zarejestrować nazwę, którą model zmyśla, aby jego pakiet z pułapką został zainstalowany [2].
- Odruch: nigdy nie instalować pakietu wyłącznie na słowo AI. OWASP zaleca porównywać odpowiedzi modelu z wiarygodnymi źródłami zewnętrznymi [3].

## Pytania wprost

### Czym jest slopsquatting?

Pakiety to klocki kodu, które programiści pobierają ze scentralizowanych repozytoriów, takich jak PyPI dla Pythona i npm dla JavaScriptu [1][2]. Gdy model wskazuje pakiet, który nie istnieje, atakujący może zarejestrować tę nazwę [2]. Programista, który ufa sugestii asystenta, włącza wtedy pakiet atakującego [3].

### Czy asystent często się myli?

Zależy to od modelu i od roku. Badanie opublikowane w czerwcu 2024 roku (przyjęte na USENIX Security 2025) wytworzyło 576 000 próbek kodu z użyciem 16 modeli. Średni odsetek zmyślonych pakietów sięga w nim co najmniej 5,2 % dla modeli komercyjnych i 21,7 % dla modeli otwartych, przy 205 474 różnych zmyślonych nazwach [1].

Replikacja z 2026 roku obejmuje pięć niedawnych modeli i 199 840 generacji kodu w Pythonie i JavaScripcie. Mierzy 3,6 do 5,0 % zmyślonych nazw wśród przywołanych pakietów (2,2 do 3,4 % generacji). Według jej autora niedawne modele plasują się na poziomie modeli komercyjnych z 2024 roku, a różnica wobec modeli otwartych zniknęła. Python przewyższa JavaScript dla każdego modelu [2].

### Czy ryzyko zniknęło wraz z nowszymi modelami?

Mówi o tym już tytuł replikacji z 2026 roku: zakres się zmniejsza, zagrożenie pozostaje [2]. Jej autor zauważa, że co najmniej 23 nazwy sugerowane przez modele już wcześniej gościły złośliwe oprogramowanie, usunięte potem przez repozytoria. Jedna zmyślona nazwa została też zarejestrowana ze złośliwym oprogramowaniem po jego testach [2].

### Czy zmyślone nazwy są szybko przejmowane przez atakujących?

W tym badaniu około 1 % zmyślonych nazw zostało zarejestrowanych w ciągu sześciu miesięcy. Lista autora została w tym okresie przypadkowo ujawniona publicznie. Nie stwierdza on żadnego wykrywalnego wpływu tej publikacji: odsetek jest taki sam dla nazw opublikowanych i nieopublikowanych [2].

### Czy sposób, w jaki zadaję pytanie, coś zmienia?

Tak. Badanie z 2025 roku przetestowało siedem modeli. Literówka w jednym znaku wywołuje halucynacje w nawet 26 % zadań. Nazwa biblioteki wymyślona od podstaw jest akceptowana nawet w 99 % przypadków, a prośby związane z czasem wywołują halucynacje w nawet 85 % [4].

### Co zrobić, zanim zainstaluje się pakiet zaproponowany przez AI?

Dwie kontrole. Pierwsza polega na sprawdzeniu, czy pakiet istnieje. To nie wystarcza: w badaniu z 2026 roku połowa nazw wskazanych jako zmyślone była pakietami już zarejestrowanymi w PyPI, niskiej jakości imitacjami znanych projektów [5]. Druga polega na sprawdzeniu, czy pakiet jest znany, przez porównanie odpowiedzi AI z wiarygodnym źródłem zewnętrznym, tak jak OWASP zaleca dla odpowiedzi modelu [3]. Pakietu, którego nie można potwierdzić, nie instaluje się wyłącznie na podstawie sugestii asystenta.

## W skórze atakującego

Scenariusz opisany przez OWASP mieści się w kilku krokach. Atakujący wypróbowuje popularnych asystentów programowania, aby wychwycić nazwy bibliotek, które zmyślają najczęściej. Następnie publikuje złośliwe pakiety pod tymi nazwami w bardzo często używanych repozytoriach. Programiści, którzy idą za sugestią asystenta, włączają je nieświadomie. Atakujący może wtedy uzyskać nieautoryzowany dostęp, wstrzyknąć złośliwy kod lub zainstalować tylne drzwi [3].

Nazwy powtarzają się między modelami: w replikacji z 2026 roku 104 nazwy są zmyślane jednocześnie przez wszystkie pięć modeli [2].

Znaczenie ma też sformułowanie prośby. W badaniu dotyczącym asystentów lokalnych odsetek halucynacji wzrasta z przedziału od 0 do 10 % przy zwykłych zadaniach programistycznych do przedziału od 40 do 73 % przy prośbach zaprojektowanych jako przynęty slopsquattingu [5].

## Co widać na ekranie

OWASP opisuje te błędy jako treść, która wydaje się trafna, choć jest sfabrykowana: odpowiedzi brzmią wiarygodnie, ale nie mają żadnych podstaw [3]. W kodzie badane błędy przybierają postać nieprawidłowych importów [4].

```text
Ilustracja, nie prawdziwy przypadek:
pip install [nazwa pakietu zaproponowana przez asystenta, nie do znalezienia lub nieznana]
```

Kontrola nie zawsze jest prosta: nazwa importu może różnić się od nazwy pakietu. Autorzy badania z 2026 roku o asystentach lokalnych podają przykład „import cv2” wobec „pip install opencv-python” [5]. W replikacji z 2026 roku 26 wpisów z wcześniejszej listy zmyślonych nazw było w rzeczywistości poprawnymi importami, których nazwa modułu różni się od nazwy pakietu [2].

## Pod maską

OWASP tłumaczy halucynację działaniem modelu: uzupełnia on luki w danych treningowych wzorcami statystycznymi, nie rozumiejąc treści [3]. Zalicza do ryzyk sugerowanie niezabezpieczonych lub nieistniejących bibliotek kodu, które wprowadza podatności, jeśli polega się na nich bez sprawdzenia [3]. Dodaje do tego nadmierne zaufanie użytkowników, którzy nie sprawdzają poprawności tego, co wytwarza model [3].

Badacze z 2024 roku przetestowali też środki zaradcze. Wskazują, że kilka strategii wyraźnie zmniejsza liczbę halucynacji przy zachowaniu jakości kodu [1].

Detektor zaproponowany w sierpniu 2026 roku łączy dwie kontrole. Pierwsza w sposób deterministyczny sprawdza, czy pakiet istnieje w PyPI. Druga to klasyfikator wytrenowany na dziesięciu cechach pochodzących z nazwy i metadanych pakietu [5]. Przy 300 prośbach łańcuch przetwarzania wytwarza kod bez zmyślonego pakietu w 76 % prób [5]. Najsłabszy model główny w badaniu odrzucił 6 bezpośrednich przynęt na 10 bez pomocy, co według autorów sugeruje, że niedawne dostrojenie instrukcji zapewnia podstawową obronę [5].

Po stronie organizacji OWASP zaleca staranne sprawdzanie źródeł danych i dostawców, z korzystaniem wyłącznie z zaufanych dostawców [6]. Zaleca też prowadzenie aktualnego inwentarza komponentów z użyciem zestawienia składników oprogramowania (SBOM) [6].

## Źródła

1. arXiv, „We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs”, 12 czerwca 2024. https://arxiv.org/abs/2406.10279 (dostęp 14 listopada 2026)
2. arXiv, „The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort”, 16 maja 2026. https://arxiv.org/abs/2605.17062 (dostęp 14 listopada 2026)
3. OWASP, „LLM09:2025 Misinformation”, 10 kwietnia 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (dostęp 14 listopada 2026)
4. arXiv, „Library Hallucinations in LLM-Generated Code: A Risk Analysis Grounded in Developer Queries”, 26 września 2025. https://arxiv.org/abs/2509.22202 (dostęp 14 listopada 2026)
5. arXiv, „Names Can Hurt: Spotting Slopsquatting Risks Caused by Package Name Hallucinations in Local Coding LLMs”, 24 sierpnia 2026. https://arxiv.org/abs/2608.23897 (dostęp 14 listopada 2026)
6. OWASP, „LLM03:2025 Supply Chain”, 10 kwietnia 2024. https://genai.owasp.org/llmrisk/llm032025-supply-chain/ (dostęp 14 listopada 2026)

---

Źródło oryginalne: Cyberpedia, publiczna encyklopedia cyberbezpieczeństwa i AI wydawana przez Brain. Wersja kanoniczna: https://startbrain.io/cyberpedia/pl/articles/slopsquatting-zmyslone-pakiety-ai/
Możesz swobodnie wykorzystywać ten tekst na licencji CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), pod warunkiem podania „Brain, Cyberpedia” wraz z odnośnikiem do powyższego adresu.
