Cloakroom oculta secretos a los agentes de IA para programar antes de que los vean

Shanjeev Rajendran ha lanzado Cloakroom, una utilidad de código abierto que enmascara claves API, contraseñas e información de identificación personal (PII) en máquinas locales antes de que los agentes de IA para programar las procesen. Publicado en GitHub en noviembre de 2026, la herramienta se integra directamente con agentes populares como Claude Code, Codex CLI, Gemini CLI y Cursor para evitar fugas accidentales de secretos durante los flujos de trabajo de desarrollo.

Qué ha ocurrido

Los desarrolladores dependen cada vez más de agentes de IA para programar que leen archivos, ejecutan comandos y generan código, lo que crea un riesgo significativo de que credenciales sensibles o datos privados incrustados en repositorios queden expuestos a modelos externos. Cloakroom aborda este problema actuando como una capa intermedia que escanea los datos que entran y salen de estos agentes. Identifica secretos y PII mediante reglas de patrones y un modelo de detección local, sustituyendo los valores reales por marcadores de posición específicos de sesión, como PII_SECRET_1, antes de que el agente los vea.

La herramienta opera íntegramente en la máquina del usuario, garantizando que ningún secreto en bruto abandone el entorno local, excepto durante la descarga inicial única de su modelo de detección. Cuando el agente de IA escribe archivos o ejecuta comandos que contienen estos marcadores de posición, Cloakroom intercepta la salida y restaura los valores originales reales justo antes de que se escriban en el disco o se ejecuten en la terminal. Este enmascaramiento bidireccional permite a los desarrolladores utilizar asistentes de IA sin tener que limpiar manualmente sus bases de código ni arriesgarse a exponer credenciales mediante inyección de prompts o inclusión accidental en el contexto.

La instalación varía según el agente. Para Claude Code en Mac, Windows o Linux, los usuarios instalan un plugin que inicia el programa Cloakroom. Para Codex, Gemini CLI y Cursor en Mac y Linux, la herramienta se instala mediante el gestor de paquetes uv de Python. El sistema incluye mecanismos de seguridad donde los agentes no pueden aprobar sus propias llamadas retenidas ni desactivar los hooks, requiriendo confirmación explícita del usuario mediante comandos de terminal para cualquier acción bloqueada.

Cómo funciona

Cloakroom funciona inyectando hooks en el pipeline de llamadas a herramientas del agente. Cuando un agente intenta leer un archivo, ver la salida de un comando o procesar resultados MCP, Cloakroom intercepta el flujo de datos. Aplica una combinación de coincidencia de patrones basada en regex y un pequeño modelo de aprendizaje automático local llamado PII-Tracer para identificar cadenas sensibles. Una vez detectadas, cada secreto se reemplaza por un marcador de posición único que permanece consistente durante toda la sesión. Estas asignaciones se almacenan en un cofre fuerte cifrado en la máquina local, con claves de cifrado protegidas en el almacén de claves nativo del sistema operativo, como Keychain de macOS o Credential Manager de Windows.

En el camino de retorno, cuando el agente genera código o comandos que contienen estos marcadores de posición, Cloakroom los vuelve a sustituir por sus valores originales. Esto ocurre inmediatamente antes de que los datos se escriban en el sistema de archivos o se pasen a la terminal para su ejecución. Si la herramienta encuentra datos que no puede verificar o enmascarar de forma segura, retiene la operación en lugar de dejarla pasar sin control, obligando al desarrollador a revisar y permitir explícitamente la acción. Este enfoque de fallo seguro prioriza la seguridad sobre la conveniencia, asegurando que los secretos no enmascarados nunca lleguen inadvertidamente al modelo de IA.

Detalles clave

• Cero fugas en pruebas: En conjuntos de prueba independientes, Cloakroom permitió que cero de 1.005 detalles personales y cero de 77 claves en formato de proveedor pasaran, mientras que otras herramientas probadas dejaron escapar entre 119 y 992 detalles.
• Procesamiento exclusivamente local: Ningún dato abandona la máquina excepto la descarga inicial del modelo; el modelo de detección se ejecuta localmente para identificar secretos sin enviar contenido a APIs externas.
• Almacenamiento en cofre fuerte cifrado: Las asignaciones de secreto a marcador de posición se almacenan en un cofre fuerte local cifrado, con claves protegidas por el almacén de claves del SO, impidiendo que el agente de IA acceda a la clave de descifrado.
• Amplio soporte de agentes: Funciona con Claude Code (Mac, Windows, Linux), Codex CLI, Gemini CLI y Cursor (Mac, Linux), cubriendo lecturas de archivos, salidas de comandos y OCR de imágenes.
• Defensa contra inyección de prompts: La herramienta impide que los agentes aprueben sus propias llamadas retenidas, apaguen Cloakroom o inyecten hooks en archivos de configuración sin autorización explícita del usuario mediante cr: allow.
• Compensación de falsos positivos: Para lograr cero fugas, la herramienta enmascara más texto inocuo que los escáneres solo de secretos, aunque los usuarios pueden ajustar las reglas mediante un panel para reducir futuras alarmas falsas.

Por qué importa

Para ingenieros de software y líderes técnicos, la integración de agentes de IA en los flujos de trabajo diarios ha difuminado la línea entre el desarrollo local y el procesamiento externo. Las herramientas tradicionales de gestión de secretos suelen centrarse en prevenir commits al control de versiones o escanear archivos estáticos, pero no abordan el contexto dinámico de tiempo de ejecución donde los agentes leen archivos activos y ejecutan comandos. Cloakroom llena este vacío asegurando el pipeline de datos en el punto de interacción, garantizando que, incluso si un desarrollador olvida redactar un archivo, el agente nunca reciba la credencial en bruto. Esto reduce la carga cognitiva de los desarrolladores, que ya no necesitan sanitizar meticulosamente cada ventana de contexto antes de invocar un asistente de IA.

La arquitectura de la herramienta también destaca un cambio hacia controles de seguridad del lado cliente para interacciones con IA. Al mantener el modelo de detección y el cofre fuerte de secretos locales, mitiga riesgos asociados con servicios de escaneo basados en la nube que podrían convertirse ellos mismos en objetivos o responsabilidades de cumplimiento normativo. La capacidad de escanear retrospectivamente chats antiguos para detectar datos personales expuestos extiende aún más su utilidad más allá de la protección en tiempo real, ayudando a los equipos a auditar interacciones pasadas por posibles brechas. Sin embargo, los desarrolladores deben ser conscientes de que esto no es un sandbox; previene fugas accidentales pero no detiene la inyección maliciosa de prompts si el agente está comprometido, lo que significa que debe usarse junto con otras mejores prácticas de seguridad.

Qué puedes hacer

• Instala Cloakroom para tu principal agente de IA utilizando los comandos específicos para Claude Code, Codex, Gemini o Cursor que se encuentran en la documentación oficial.
• Ejecuta cloakroom doctor después de la instalación para verificar que todos los hooks estén activos y que la comprobación de salud devuelva ok para cada componente.
• Usa cloakroom exposure --personal para escanear historiales de chat antiguos de agentes compatibles en busca de datos personales o credenciales previamente filtradas.
• Configura el cloakroom dashboard para revisar falsos positivos y marcar elementos enmascarados inocuos para que el motor de reglas los ignore en sesiones futuras.
• Evita pegar secretos directamente en los prompts; en su lugar, usa el comando cloakroom give NAME para inyectar credenciales mediante prompts ocultos que proporcionan marcadores de posición al agente.
• Ejecuta regularmente cloakroom update para asegurar que el modelo de detección y las integraciones de hooks estén actualizados, especialmente después de actualizar el software subyacente del agente de IA.