<div class="key-takeaways"><ul><li>ประวัติเซสชันของ coding agent บันทึกข้อมูลลับในรูปแบบ plain text ลงดิสก์โดยไม่รู้ตัว</li><li>การส่งข้อมูลไปสแกนบนคลาวด์มีความเสี่ยงเรื่องการรั่วไหลเสียเอง จึงต้องทำในเครื่อง (local) เท่านั้น</li><li>ใช้ระบบผสมผสานระหว่าง Regex และโมเดลขนาดเล็ก ONNX (1.6 GB) เพื่อความแม่นยำสูงสุด</li><li>ใช้ Viterbi algorithm ควบคุมการถอดรหัสและการคำนวณตำแหน่งไบต์อย่างแม่นยำ</li></ul></div><p>เมื่อคุณวางไฟล์ .env ลงในเซสชัน Claude Code เพื่อแก้ไขปัญหาดีพอยต์ที่ล้มเหลว ตัวเอเจนต์จะอ่านไฟล์ แก้ไขค่าคอนฟิก และทำงานต่อจนเสร็จสิ้นภายในเวลา 20 นาที จากนั้นคุณก็ปิดเทอร์มินัล แต่ข้อมูลลับยังคงอยู่ ไม่ได้อยู่ในเทอร์มินัล แต่ถูกบันทึกไว้ในทรานสคริปต์ (transcript) ทุกเซสชันของเอเจนต์จะเขียนไฟล์ JSONL ลงดิสก์ และไฟล์นั้นเก็บ URL ฐานข้อมูลโปรดักชันของคุณไว้แบบ plain text ในไดเรกทอรีที่คุณแทบจะไม่เคยเปิดดูอีกเลย</p><p>เมื่อลองคูณสิ่งนี้กับเซสชันที่มีนับร้อยครั้ง นั่นคือสภาพความเป็นจริงของเครื่องคอมพิวเตอร์ส่วนใหญ่ที่รันโค딩เอเจนต์ในปัจจุบัน วิธีแก้ที่ชัดเจนคือการสแกนทรานสคริปต์เหล่านั้นเพื่อซ่อนข้อมูลที่พบ แต่วิธีที่ชัดเจนที่สุดคือการส่งข้อมูลไปยังโมเดลบนคลาวด์ที่มีความสามารถในการค้นหาข้อมูลลับ ซึ่งหมายถึงการอัปโหลดข้อมูลทั้งหมดของคุณรวมถึงข้อมูลที่มีรหัสผ่านไปยังบุคคลที่สาม การสแกนจึงกลายเป็นการรั่วไหลเสียเอง ทีมพัฒนาจึงเลือกให้ฟีเจอร์ PII ทั้งหมดต้องรันในเครื่องของผู้ใช้เท่านั้น หรือไม่ก็ต้องไม่มีฟีเจอร์นี้เลย</p><div class="ai-insight"><p>การรันโมเดลปัญญาประดิษฐ์ในเครื่องผู้ใช้ (Local AI) สำหรับงานความปลอดภัยเช่นนี้กำลังกลายเป็นเทรนด์สำคัญ เนื่องจากองค์กรและนักพัฒนาให้ความสำคัญกับความเป็นส่วนตัวของข้อมูล (Data Privacy) มากขึ้น การพึ่งพาส องคาพยพบนคลาวด์สำหรับข้อมูลที่มีความอ่อนไหวสูงอย่าง API Keys หรือ Database Credentials อาจสร้างช่องโหว่ทางกฎหมายและความปลอดภัยที่คาดไม่ถึง</p></div><p>คำว่ารันในเครื่องหมายถึงโมเดลที่ต้องมีขนาดเล็กพอที่จะดาวน์โหลดได้เร็ว ทำงานได้ทันที และมีความแม่นยำสูงพอที่จะเปิดใช้งานจริง ความท้าทายเหล่านี้ขัดแย้งกันเองในตัว ทีมงานจึงเริ่มต้นด้วยการใช้ Regular Expression (Regex) ซึ่งทำงานได้ดีกว่าที่คาดไว้ AWS access key, JWT, IBAN หรือหมายเลขบัตรเครดิตล้วนมีรูปแบบที่แน่นอน การใช้ Regex ร่วมกับตัวตรวจสอบ checksum ทำให้ค้นหาข้อมูลเหล่านี้ได้อย่างแม่นยำที่ระดับไมโครวินาที</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/coding_agent_ms5z3w5v_inline_1_a2a7d69ee4.jpg" alt="code terminal security scan" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>อย่างไรก็ตาม เมื่อเจอข้อมูลที่ไม่มีรูปแบบตายตัว เช่น เพื่อนร่วมงานชื่อ Sarah จัดการเรื่องบิลอยู่ที่ 14 Rue de Rivoli หรือรหัสผ่าน staging เหมือนกับชื่อสุนัขบวกปี 1999 ไม่มีแพทเทิร์นใดจับสิ่งเหล่านี้ได้ ทีมงานจึงใช้แนวทางผสมผสาน (Composite Detector) ทั้ง Regex และโมเดลขนาดเล็กเข้าด้วยกัน โดยใช้ฟิลตอร์ความเป็นส่วนตัวของ OpenAI ที่ถูกควอนไทซ์เป็น int8 และส่งออกเป็น ONNX ซึ่งรันผ่าน ONNX Runtime ขนาดของน้ำหนักโมเดลและโทไนเซอร์รวมกันอยู่ที่ประมาณ 1.6 GB บนดิสก์</p><div class="stat-row"><div class="stat-item"><span class="stat-number">1.6 GB</span><span class="stat-label">ขนาดไฟล์โมเดลและโทไนเซอร์รวมบนดิสก์</span></div><div class="stat-item"><span class="stat-number">33</span><span class="stat-label">จำนวนคลาสต่อโทเคนในระบบ BIOES</span></div></div><p>ขนาด 1.6 GB สร้างปัญหาให้กับแอปพลิเคชันที่สัญญาว่าจำทำงานอย่างเงียบๆ บนเมนูบาร์ ดังนั้น ฟีเจอร์นี้จึงถูกปิดไว้เป็นค่าเริ่มต้น และไฟล์น้ำหนักโมเดลจะถูกดาวน์โหลดมาเฉพาะเมื่อผู้ใช้เปิดใช้งานเท่านั้น ไฟล์ทั้งหมดจะถูกตรวจสอบความถูกต้องด้วย SHA-256 เพื่อป้องกันข้อผิดพลาด นอกจากนี้ การถอดรหัสผลลัพธ์จากโมเดลยังต้องใช้ Viterbi pass แบบมีเงื่อนไข เพื่อป้องกันการเปลี่ยนผ่านสถานะที่ผิดกฎหมาย และแปลงผลลัพธ์ให้อยู่ในรูปแบบช่วงข้อมูลที่สมบูรณ์</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/2nji/scanning-agent-transcripts-for-secrets-without-sending-them-anywhere-k0k" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Coding agent transcripts store sensitive credentials in plain text on local disk storage.</li><li>Cloud-based scanning creates leak risks, necessitating a 100% local processing solution.</li><li>A composite detector combines Regex and a 1.6 GB quantized ONNX model for high accuracy.</li><li>Constrained Viterbi decoding ensures precise token span masking without formatting errors.</li></ul></div><p>You paste a .env into a Claude Code session to debug a failing deploy. The agent reads it, fixes the config, and moves on. Twenty minutes later the task is done and you close the terminal. The secret is still there. Not in the terminal, in the transcript. Every agent session writes a JSONL file to disk, and that file now holds your production database URL in clear text, sitting in a directory you will never think about again.</p><p>Multiply that by a few hundred sessions. That is the actual state of most machines running coding agents today. The obvious fix is to scan those transcripts and mask what you find. The obvious way to scan them is to send them to something that is good at finding secrets, which in 2026 means a cloud deployed model. To find out whether your transcripts contain credentials, you would upload all of your transcripts, including the ones that contain credentials, to a third party. The scan itself becomes the leak, which drove the requirement for a fully local solution.</p><div class="ai-insight"><p>Running AI models locally for security-critical tasks like credential detection is becoming an essential paradigm. As enterprises place a higher premium on strict data privacy, relying on third-party cloud infrastructure for sensitive artifacts like API tokens and database keys introduces unacceptable compliance and security surfaces.</p><p>Going local means balancing a model small enough to ship, fast enough to feel instant, and accurate enough to be worth turning on. The team's first instinct was regex, which successfully captures structured items like AWS access keys, JWTs, and credit card numbers with microsecond latency.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/coding_agent_ms5z3w5v_inline_1_a2a7d69ee4.jpg" alt="code terminal security scan" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>However, unstructured data like names, street addresses, and passphrases require a neural approach. The team integrated OpenAI's privacy filter, quantized to int8 and exported to ONNX, running through ONNX Runtime. Weights and tokenizer total just over 1.6 GB on disk, which presents a footprint challenge for a menu bar utility.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">1.6 GB</span><span class="stat-label">Total model weights and tokenizer size on disk</span></div><div class="stat-item"><span class="stat-number">33</span><span class="stat-label">Classes per token evaluated in the BIOES scheme</span></div></div><p>To mitigate the size impact, the feature remains off by default, downloading weights on demand with SHA-256 verification. Furthermore, decoding raw token outputs utilizes a constrained Viterbi pass to eliminate illegal state transitions, ensuring that every detected credential span is fully formed and properly formatted before string-level masking takes place.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/2nji/scanning-agent-transcripts-for-secrets-without-sending-them-anywhere-k0k" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_coding-agent-ms5z3w5v.jpg

small_coding-agent-ms5z3w5v.jpg

thumbnail_coding-agent-ms5z3w5v.jpg

Inewgen

Inewgen

#PII Detection

Scanning agent transcripts for secrets, without sending them anywhere

Inewgen