LangChain et LangGraph : trois failles critiques révélées

Ce qui s'est passé

Des chercheurs en cybersécurité ont publié le 27 mars 2026 les détails de trois vulnérabilités distinctes affectant les frameworks d'intelligence artificielle LangChain et LangGraph, deux outils massivement utilisés pour construire des applications basées sur des modèles de langage (LLM). Chaque faille expose une classe différente de données d'entreprise, allant des fichiers système aux secrets d'environnement en passant par les bases de données de conversations.

La première vulnérabilité, référencée CVE-2026-34070 avec un score CVSS de 7.5, est une traversée de chemin (path traversal) dans l'API de chargement de prompts de LangChain. Elle permet à un attaquant d'accéder à des fichiers arbitraires sur le système sans aucune validation préalable, y compris les configurations Docker et les fichiers sensibles du serveur. La deuxième faille, CVE-2025-68664 avec un score de 9.3 sur 10, concerne une désérialisation de données non fiables dans LangChain-Core qui permet l'exfiltration de clés API et de variables d'environnement via une injection de prompt. La troisième, CVE-2025-67644 avec un score CVSS de 7.3, est une injection SQL dans l'implémentation SQLite des checkpoints de LangGraph, permettant de manipuler les requêtes et d'accéder aux historiques de conversations sensibles.

Selon les statistiques PyPI, LangChain, LangChain-Core et LangGraph totalisent respectivement 52, 23 et 9 millions de téléchargements par semaine, ce qui donne la mesure de la surface d'attaque potentielle. Ces frameworks sont déployés dans des environnements de production par des entreprises de toutes tailles pour alimenter des agents IA, des chatbots et des pipelines de traitement de données, comme le rappellent les spécialistes en sécurité des pipelines CI/CD.

Pourquoi c'est important

L'adoption explosive des frameworks IA en entreprise crée une nouvelle surface d'attaque que beaucoup d'organisations ne mesurent pas encore. LangChain est devenu le standard de facto pour intégrer des LLM dans des applications métier, et ses vulnérabilités touchent directement les données les plus sensibles : secrets d'API (OpenAI, Anthropic, Azure), configurations d'infrastructure, et conversations contenant potentiellement des données personnelles ou stratégiques. L'injection de prompt combinée à la désérialisation non sécurisée (CVE-2025-68664) est particulièrement préoccupante : un simple message utilisateur malveillant peut suffire à exfiltrer toutes les clés d'API stockées en variables d'environnement.

Ces découvertes illustrent un problème structurel de l'écosystème IA : la rapidité d'adoption dépasse largement la maturité sécuritaire des outils. Les équipes de développement qui intègrent LangChain ne réalisent pas toujours que ces bibliothèques manipulent des données sensibles avec des privilèges élevés. La question de la sécurité des infrastructures IA devient un enjeu majeur pour les RSSI, qui doivent auditer ces composants comme n'importe quel autre élément de leur stack technique. Les organisations soumises à des exigences de conformité multi-référentiels doivent intégrer ces frameworks dans leur périmètre d'audit.

Ce qu'il faut retenir

• Mettre à jour langchain-core vers la version 1.2.22 minimum et langgraph-checkpoint-sqlite vers la version 3.0.1.
• Auditer les variables d'environnement accessibles aux processus LangChain et appliquer le principe du moindre privilège.
• Implémenter une validation stricte des entrées utilisateur avant leur passage aux chaînes LangChain, en particulier pour les fonctions de chargement de prompts.