# Agentic Security Review：面向 AI 编程助手的对抗性代码安全审查框架

> 为 Codex 和 Claude Code 设计的授权对抗性代码审查工作流，通过多智能体协作发现跨文件推理漏洞、业务逻辑缺陷和 AI 工具配置风险，生成结构化安全报告。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-01T18:45:20.000Z
- 最近活动: 2026-06-01T18:55:11.824Z
- 热度: 145.8
- 关键词: AI安全, 代码审查, Codex, Claude Code, MCP, 漏洞扫描, 静态分析, CWE, OWASP, 多智能体
- 页面链接: https://www.zingnex.cn/forum/thread/agentic-security-review-ai
- Canonical: https://www.zingnex.cn/forum/thread/agentic-security-review-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：ki2001
- 来源平台：github
- 原始标题：agentic-security-review
- 原始链接：https://github.com/ki2001/agentic-security-review
- 来源发布时间/更新时间：2026-06-01T18:45:20Z

## 原作者与来源\n\n- **原作者/维护者**：ki2001\n- **来源平台**：GitHub\n- **原始标题**：agentic-security-review\n- **原始链接**：https://github.com/ki2001/agentic-security-review\n- **发布时间**：2026-06-01\n\n## 背景：静态扫描器的盲区\n\n现代软件开发中，静态安全扫描工具已经成为 CI/CD 流程的标准配置。它们擅长发现已知的漏洞模式，如 SQL 注入、XSS 攻击、不安全的反序列化等。然而，随着 AI 编程助手（如 GitHub Copilot、Codex、Claude Code）的广泛应用，代码安全面临新的挑战。\n\n传统的静态扫描器在以下场景下往往力不从心：\n\n- 低权限用户是否可以通过修改标识符访问其他租户的数据？\n- 授权校验是在服务端执行还是仅在前端实现？\n- Webhook、后台任务或重试路径是否会绕过正常的安全检查？\n- 用户输入能否跨越信任边界进入文件系统、Shell、模板引擎、SSRF 或反序列化入口？\n- AI 代理/工具的配置权限是否超出了预期范围？\n\n这些问题涉及跨文件的逻辑推理、业务规则理解和 AI 工具行为分析，超出了传统模式匹配的能力范围。\n\n## 项目概述\n\nAgentic Security Review（ASR）是一个面向开源维护者的授权对抗性代码审查框架，专为 Codex 和 Claude Code 等 AI 编程助手设计。它通过结构化的智能体工作流，对本地或 GitHub 仓库进行静态防御性安全审查，生成包含证据、严重程度、置信度、可利用性分析、CWE/OWASP 映射、修复建议和测试建议的标准化漏洞报告。\n\n该项目的设计目标是补充而非替代传统静态扫描器，通过聚焦跨文件推理、业务逻辑缺陷、授权边界、不安全数据流和 LLM/代理工具风险，提供更全面的安全审查能力。\n\n## 核心能力\n\nASR 提供了一套完整的安全审查工具链：\n\n### 多模式审查支持\n\n系统支持三种审查模式，适应不同的使用场景：\n\n- **单智能体模式**：单个 AI 助手完成完整的审查流程，适合快速检查\n- **多智能体模式**：多个专业智能体分工协作（侦察映射、漏洞分析、修复审查），适合深度审查\n- **补丁审查模式**：针对代码变更（PR/diff）进行增量审查，适合代码评审场景\n\n### 标准化报告格式\n\n所有审查结果遵循统一的 JSON Schema，包含以下关键字段：\n\n- **基础信息**：工具标识、审查目标、授权状态、审查模式、执行摘要\n- **漏洞详情**：ID、标题、严重程度、置信度、分类（CWE/OWASP）\n- **影响分析**：受影响文件、漏洞摘要、业务影响、可利用性评估\n- **修复指导**：推荐修复方案、建议测试用例\n\n### 多工具生态集成\n\n项目提供了针对 Codex 和 Claude Code 的专用技能文件（Skills），包含完整的审查工作流：\n\n- 范围确认与安全边界设定\n- 仓库侦察与攻击面映射\n- 证据验证与报告格式化\n- Markdown 和 JSON 双格式输出\n\n## 安全边界设计\n\nASR 在设计之初就明确了安全边界和使用规范：\n\n### 授权审查原则\n\n系统默认仅在静态/本地模式下运行，明确指示智能体"不要进行实时漏洞利用"。审查必须针对用户拥有或获得授权的代码，严禁用于攻击第三方部署系统。\n\n### 明确的能力边界\n\n项目文档清晰界定了 ASR 不是什么：\n\n- 不是实时目标扫描器\n- 不是漏洞利用框架\n- 不是恶意软件、持久化或凭证窃取工具\n- 不保证代码绝对安全\n- 不能替代专业安全审查\n\n这种坦诚的能力声明帮助用户建立合理的期望，避免误用或过度依赖。\n\n## 技术实现架构\n\nASR 采用 Python 开发，提供了丰富的命令行工具：\n\n### 核心脚本功能\n\n- `run_review.py`：生成审查提示词，支持 Codex 和 Claude Code\n- `validate_report.py`：验证 JSON 报告格式合规性\n- `export_sarif.py`：导出 SARIF 格式供 GitHub Code Scanning 使用\n- `collect_scanner_context.py`：收集可选的本地扫描器上下文（Semgrep、Bandit、npm audit 等）\n- `benchmark_reports.py`：基于故意设计的漏洞示例评估报告质量\n\n### GitHub Actions 集成\n\n项目内置了 `.github/workflows/agentic-security-review.yml`，支持在 PR 中自动准备审查提示词并导出 SARIF 工件，实现安全审查的自动化集成。\n\n## 示例漏洞发现\n\n项目文档提供了一个典型的漏洞发现示例，展示了 ASR 的分析能力：\n\n**ASR-001：用户控制的 org_id 允许跨租户访问发票**\n\n- 严重程度：高\n- 置信度：高\n- 分类：访问控制失效（Broken Access Control）\n- CWE-639：授权机制不恰当\n- OWASP A01:2021：访问控制失效\n\n**问题描述**：`/invoices/<invoice_id>` 路由从查询字符串读取 `org_id`，而非从已认证用户/会话派生组织范围。能够猜测发票 ID 的用户可以使用其他组织的 ID 请求该发票。\n\n**修复建议**：从可信的会话/用户声明派生组织范围，并在发票查询中服务端强制执行。\n\n这个例子展示了 ASR 如何发现涉及业务逻辑和授权边界的复杂漏洞，而非简单的代码模式问题。\n\n## 与现有工具的对比\n\nASR 的定位是补充而非替代：\n\n| 维度 | 传统静态扫描器 | Agentic Security Review |\n|------|--------------|------------------------|\n| 擅长领域 | 已知漏洞模式 | 跨文件推理、业务逻辑 |\n| 分析深度 | 语法/模式匹配 | 语义理解、上下文推理 |\n| 误报率 | 相对较低 | 需要人工验证 |\n| 执行成本 | 低（自动化） | 较高（AI 推理） |\n| 适用场景 | CI/CD 快速检查 | 深度安全审计 |\n\n最佳实践是将两者结合使用：静态扫描器作为第一道防线快速过滤明显问题，ASR 作为深度审查工具发现复杂逻辑漏洞。\n\n## 使用流程\n\n项目提供了完整的快速入门指南：\n\n1. **环境准备**：克隆仓库、创建虚拟环境、安装依赖\n2. **生成提示词**：根据目标代理（Codex/Claude）生成对应的审查提示词\n3. **执行审查**：在 AI 助手中运行提示词，获取审查结果\n4. **验证报告**：使用验证脚本确保报告格式合规\n5. **导出 SARIF**：将结果转换为 SARIF 格式供下游工具使用\n\n多智能体模式的引入进一步提升了审查的深度，通过专业分工实现更全面的分析覆盖。\n\n## 项目意义与展望\n\nAgentic Security Review 代表了 AI 辅助安全审查的一个重要方向。随着 AI 编程助手的能力不断增强，它们不仅能生成代码，也能审查代码。ASR 提供了一个结构化的框架，将这种能力转化为可重复、可验证、可集成的安全审查流程。\n\n对于开源维护者来说，这意味着可以在不增加专业安全人员的情况下，获得更高质量的代码安全审查。对于安全研究人员来说，这是一个探索 AI 辅助漏洞发现的新平台。\n\n未来，随着多智能体协作模式的成熟和更多 AI 工具的接入，ASR 有望成为开源软件安全生态的重要组成部分，帮助开发者在 AI 时代构建更安全的软件系统。