El 21 de octubre de 2026, en una sola mañana, ocurrieron dos historias sobre la misma clase de datos: secretos que residen en las variables de entorno. A las 11:39 UTC, se lanzó una versión comprometida de LiteLLM 1.107.0 en PyPI, un popular puente hacia modelos de lenguaje, que se utiliza en muchos agentes de IA y pipelines de análisis. Ese mismo día, la plataforma en la nube Railway informó que un tercero pudo haber accedido al almacenamiento de variables de entorno de los clientes, y que algunos de ellos tenían acceso a valores descifrados. Si su scraper, bot o agente se ejecuta en Python o en PaaS, analizamos qué se filtró, cómo verificarlo y en qué orden cambiar las claves, incluyendo inicios de sesión y contraseñas de proxy.
Qué sucedió con LiteLLM 1.107.0
Según Datadog Security Labs, los atacantes utilizaron tokens OAuth robados de GitHub CLI de tres ingenieros del proyecto. Con ellos, iniciaron un flujo de trabajo de lanzamiento privado de LiteLLM, pero lo compilaron a partir de un fork falso Berri-AI/litellm — que se diferencia del verdadero BerriAI/litellm por un guion. Ellos mismos confirmaron el lanzamiento, eliminaron las huellas, y en la firma de procedencia de la compilación (provenance) quedó el nombre del fork.
- 11:39 UTC — la versión 1.107.0 se publica en PyPI;
- 13:20 UTC — PyPI la coloca en cuarentena;
- 13:53 UTC — se eliminan las imágenes de Docker infectadas.
La ventana fue de aproximadamente dos horas, pero se estima que el paquete tiene alrededor de 23 millones de descargas por semana. Se vieron comprometidos no solo siete archivos wheel para macOS, Linux y Windows, sino también las imágenes oficiales en GHCR y Docker Hub. Las etiquetas flotantes latest, main-latest y main-stable de ese día apuntaban a la imagen maliciosa. Esto significa que cualquier persona que reconstruyó o reinició un contenedor tirando de la "última versión", incluso si no actualizó nada manualmente, podría haber sido afectada.
Este es ya el segundo caso con LiteLLM en 2026: en marzo se comprometieron las versiones 1.82.7 y 1.82.8. La conexión entre los incidentes, como señala Datadog, no se ha establecido. La última versión limpia es 1.106.2.
Por qué eliminar el paquete no es suficiente
El principal truco del ataque es el mecanismo de autoejecución de Python. Junto con el paquete, se colocaron tres archivos en site-packages: cook.pth, cook.py y sitecustomize.py. Los archivos con la extensión .pth y el módulo sitecustomize son ejecutados por Python cada vez que se inicia el intérprete. Como explica Endor Labs, en cook.pth había exactamente una línea import cook — y eso era suficiente para que el recolector de secretos se activara en cualquier proceso de Python en la máquina, incluso si LiteLLM no se importaba en ningún lugar.
- El recolector (cook.py) empaquetaba lo encontrado, lo cifraba con AES-256 con una envoltura de clave RSA-4096 y lo enviaba mediante una solicitud POST a
www.litellm[.]dev/healthcheck— el dominio se parece intencionadamente al verdadero. - El backdoor (sitecustomize.py) leía la dirección del servidor de un archivo en GitHub cada hora y ejecutaba el código enviado desde allí sin verificar la firma. Según Datadog, el archivo contenía solo valores de prueba, no se registró una segunda etapa.
- Resiliencia:
pip uninstall litellmno elimina los archivos, y cada ejecución de python o pip vuelve a activar el recolector. Por lo tanto, los investigadores aconsejan verificar la máquina infectada con herramientas que no sean de Python.
Qué exactamente buscaba el recolector
La lista de objetivos es amplia: en esencia, todo lo que ve el proceso:
- todas las variables de entorno no vacías, y en Linux, también el entorno de otros procesos;
- archivos .env, configuraciones de CI, Docker y Kubernetes, secretos de cuentas de servicio;
- claves de nubes AWS, GCP, Azure, incluyendo el servicio de metadatos de instancia;
- claves SSH, GPG y TLS, tokens de Git, npm y PyPI, archivo .netrc;
- contraseñas guardadas y cookies de los navegadores Chromium y Firefox;
- claves y sesiones de herramientas de IA: Claude, Codex, Gemini, Cursor, Copilot y otras;
- si se configuró la base de LiteLLM Proxy — hasta 500 filas de tablas con claves de proveedores de modelos;
- historial de la shell.
No hay mención separada de las variables HTTP_PROXY y HTTPS_PROXY en los análisis. Pero dado que el recolector recogía todas las variables de entorno, .env y el historial de la shell, las credenciales de proxy cayeron en la trampa automáticamente: ahí es donde normalmente se guardan. Una línea como http://login:password@host:port en HTTPS_PROXY, en el .env del scraper o en un comando curl del historial — es un secreto tan válido como una clave de nube.
Railway: la filtración no provino del código, sino de la plataforma
Railway en su divulgación del 21 de octubre informa que por la mañana notó actividad anómala en los sistemas donde se almacenan las variables de entorno de los clientes. Según los datos actuales, un tercero pudo haber accedido a las variables cifradas, y algunos tuvieron acceso al contenido descifrado. Las implementaciones se pusieron en pausa. La compañía no menciona la magnitud: habla de "parte de los usuarios" y promete contactar directamente a los afectados, pero aconseja a todos tomar precauciones:
- cambiar todas las variables de entorno en Railway, incluyendo las claves API;
- cambiar las credenciales de los registros privados;
- verificar los registros de servicios en busca de actividad inusual.
La compañía vincula el incidente con una serie de ataques a los servicios de la plataforma, cuyo objetivo es acceder a las claves de los proveedores de inferencia de IA; los proveedores ya han sido advertidos y están revocando las claves. En una actualización del 23 de octubre, Railway recomienda además reconectar GitHub y recrear los tokens de CLI y CI.
El denominador común de las dos historias es simple: las variables de entorno no son una caja fuerte. Son una lista conveniente de secretos que cualquier código en el proceso puede leer y que cualquier plataforma donde despliegue puede almacenar.
Cómo verificar si te afectó
- Busca la versión en las dependencias. Verifica requirements.txt, poetry.lock, uv.lock y los registros de CI del 21 de octubre en
litellm==1.107.0. Ten en cuenta las dependencias transitivas: LiteLLM a menudo es arrastrado por frameworks de agentes, no por ti directamente. - Busca archivos en site-packages. La presencia de cook.pth o sitecustomize.py de terceros es un signo directo. Busca a través de
find, no con un script en Python. - Compara imágenes. Si descargaste
litellm/litellm:latestomain-stableel 21 de octubre, compara el digest con los indicadores publicados. - Busca marcadores en /tmp:
/tmp/.pc_once_72129118c59f5636c0bby/tmp/remote_code_loader.lock. - Revisa los registros de red en busca de solicitudes a
litellm[.]devy rutas que terminen en/codepy. - Railway — revisa tu correo y la página de estado del incidente, pero no esperes un correo: la recomendación de cambiar las claves se aplica a todos.
Si encuentras algo, es mejor reconstruir la máquina desde una imagen limpia que limpiarla en el lugar, y cambiar las claves desde otro dispositivo que sepas que está limpio.
En qué orden cambiar los secretos
Cambiar "todo" es correcto, pero en la práctica esto se extiende a días. El orden debe elegirse según el costo del daño y qué tan rápido se puede aprovechar la clave:
- Claves de nube y de pago — AWS/GCP/Azure, claves de proveedores de LLM, clave maestra de LiteLLM Proxy. Se puede "quemar" dinero rápidamente con ellas.
- Git, npm, PyPI, registros de imágenes y tokens de CI — a través de ellos, el ataque avanza hacia tus usuarios. La historia de LiteLLM comenzó precisamente con tokens de CLI robados.
- Bases de datos y claves SSH.
- Inicios de sesión y contraseñas de proxy. Una persona ajena con tus credenciales consume tu tráfico pagado y navega en la red con tus IP — y las consecuencias en forma de bloqueos y captchas llegarán a tus cuentas.
- Sesiones de navegadores y herramientas de IA — cierra sesión en todas partes y vuelve a iniciar sesión.
Para el proxy, hay una señal temprana simple: consumo de tráfico que no puedes explicar. Si el saldo en el panel se agota más rápido de lo habitual o aumenta el número de solicitudes en horas en las que tus tareas no están funcionando, es que alguien está utilizando las credenciales.
Cómo organizar las credenciales de proxy para que la filtración cueste poco
No se puede proteger completamente contra un paquete envenenado, pero se puede hacer que la filtración afecte a una tarea, y no a todo el stack.
- Un proxy separado para cada tarea y entorno. No mantengas un solo inicio de sesión para el parser de producción, el desarrollo local y CI. Si se filtra una clave de CI, apagas un proxy, no detienes todo. En ProxyCove, cada proxy comprado es un par de inicio de sesión/contraseña separado, por lo que tal separación no cuesta nada: bajo monitoreo de precios — proxies residenciales, para solicitudes técnicas masivas, donde no se necesita una IP "doméstica", — proxies de centros de datos.
- No coloques credenciales en la variable HTTPS_PROXY globalmente. La variable global es visible para cada proceso y cada paquete. Es más seguro pasar el proxy solo al cliente necesario o levantar un gateway local que solo él conozca la contraseña; cómo hacerlo en gost, 3proxy o Squid, lo discutimos en el artículo sobre el gateway local para proxy con contraseña.
- Almacena secretos en un gestor de secretos, no en .env en el repositorio o en el historial de la shell. Las reglas generales están en nuestra guía sobre el almacenamiento seguro de credenciales de proxy.
- Mantén un pequeño saldo de tráfico en proxies que operan en entornos de riesgo como CI o entornos de prueba: el techo del daño es igual al saldo.
Qué cambiar en la construcción
La mayoría de los afectados por LiteLLM no sufrieron por un "mal" código, sino por hábitos de construcción. Algunos de los consejos a continuación provienen de análisis de Datadog y Endor Labs, otros son higiene básica de construcción:
- fija las versiones con hashes en los archivos de bloqueo, y las imágenes — por digest, no por la etiqueta latest;
- no actualices las dependencias el día del lanzamiento: una pequeña demora antes de aceptar nuevas versiones corta la mayoría de los ataques con una ventana de unas pocas horas;
- vigila la aparición de nuevos archivos .pth y sitecustomize.py en paquetes de terceros — para una biblioteca común, esto es raro;
- trata los tokens de CLI de los desarrolladores como claves de producción y permite el flujo de trabajo de lanzamiento solo desde repositorios y ramas de confianza;
- ejecuta scrapers en contenedores aislados con el mínimo de secretos: un proceso que recopila precios no necesita claves de nube y SSH.
Conclusión
LiteLLM y Railway mostraron dos caras de un mismo problema: los secretos se filtran tanto desde abajo, a través de una dependencia que ni siquiera importas, como desde arriba, a través de la plataforma a la que les confiaste. Si el 21 de octubre instalaste o reconstruiste entornos de Python con LiteLLM o te desplegaste en Railway, cambia las claves ahora, comenzando por las de la nube y los tokens de CI, y no olvides sobre el proxy. Y para el futuro, separa las credenciales de proxy por tareas y entornos: así la próxima filtración costará la desactivación de un solo inicio de sesión, y no la detención de todo el scraping.
