♧ Godown 安全知识树

AGENT-MINER 以 Agent 制 Agent:LangGraph 白盒审计 AI 智能体源码 + 自动 PoC/测试环境验证闭环

code-analysis/vuln-discovery · verified

一句话结论

AGENT-MINER 用 LangGraph 把“审计 AI 智能体源码”拆成五个角色:PlannerAgent 编排审计与优先级、CodeExtractorAgent 从整个仓库提取代码入口、CodeAuditorAgent 对每个入口做深度静态分析、RiskVerifierAgent 自动编写 PoC 并搭建测试环境实际执行验证、ReporterAgent 汇总成含复现步骤与修复建议的结构化报告;核心是“以 Agent 制 Agent”,用多 Agent 闭环把静态可疑点推进到动态可利用性确认。

原理

  • 目标特殊性:AI Agent 项目的入口不只是传统 HTTP 路由,还包括 WebSocket 处理器、MCP 端点、工具调用描述、浏览器扩展消息、CLI/任务接口等;通用 SAST 的规则和入口识别经常覆盖不到,因此需要先做“入口提取”再逐个深入。
  • 角色分工:
  • PlannerAgent:编排审计过程,确定目标优先级,统筹全局协作;在 LangGraph 中作为循环枢纽,决定下一步交给 auditor 还是 verifier。
  • CodeExtractorAgent:扫描代码库,在整个仓库中提取代码入口点(路由、WS、MCP、工具调用等),为后续审计划定范围。
  • CodeAuditorAgent:对每个入口执行深度静态分析,挖掘潜在漏洞;可结合工具(如 list_files、grep、read_file)读取真实代码,避免凭记忆断言。
  • RiskVerifierAgent:对每个疑似风险自动编写 PoC、搭建测试环境并实际执行,验证漏洞真实可利用性;这一步把“看起来像”变成“跑得通”。
  • ReporterAgent:整合分析结果,生成含复现步骤与修复建议的结构化报告。
  • LangGraph 循环:工作流为 __start__ → code_extractor → planner → (code_auditor | risk_verifier | reporter) → ... → __end__;planner 对每个入口规划审计,循环调用 auditor 与 verifier,直到确认风险是否存在,再由 reporter 收口。这样避免一次性把整个仓库塞给模型,也避免静态分析停在“可疑”层面。
  • 为什么闭环有效:静态审计负责召回(入口多、语义复杂),动态验证负责精度(把不可达、已过滤、管理员专用的候选剔除);两个角色由不同 Agent 承担,减少“自证”带来的误报。把 PoC 生成与测试环境搭建也交给 Agent,能显著缩短从发现到验证的时间。
  • 边界:原文是演讲 PPT,给出了架构、角色和一次演示截图,但没有公开源码、prompt、工具实现、误报率/召回率数据;“自动验证”在复杂项目上仍可能因环境搭建失败而退化为静态判断。卡片把其视为方法框架,不宣称其效果已被独立复现。

触发条件

  • 目标是 AI Agent/智能体项目的源码(Python/TypeScript 等),需要做白盒安全审计。
  • 能在隔离环境中构建/运行目标,供 RiskVerifierAgent 搭建测试环境并执行 PoC。
  • 有足够的模型调用预算支持多 Agent 循环;团队接受“Agent 产出候选 + 人工复核报告”。
  • 目标仓库的入口类型可被 CodeExtractorAgent 识别(HTTP/WS/MCP/工具调用/CLI 等)。

利用步骤

  1. 准备隔离的源码副本与可运行环境,限制网络与敏感凭据。
  2. 运行 AGENT-MINER,指定审计任务与目标目录(原文演示命令:python main.py "audit the current project for WebSocket CSRF to RCE security risks" -t "<target>")。
  3. CodeExtractorAgent 提取入口点;PlannerAgent 按优先级规划每个入口的审计路径。
  4. CodeAuditorAgent 逐个入口做静态分析,产出可疑风险与证据;PlannerAgent 决定进入验证或继续深挖。
  5. RiskVerifierAgent 为可疑风险编写 PoC、搭建测试环境并执行,记录成功/失败与原因。
  6. ReporterAgent 生成结构化报告;人工复核受影响组件、触发条件、PoC 与修复建议后再对外提交。

PoC

无 PoC。该文章描述的是自动化审计框架,不是某个具体漏洞的利用;其演示任务为审计一个本地 WebSocket 服务并发现 CSWSH to RCE 风险,具体案例已另卡记录。

变体与关联

  • 与通用多 Agent 流水线的区别:[[code-analysis-vuln-discovery-multi-agent-adversarial-pipeline]] 用 Finder/Refuter/Reproducer 的证伪机制保证低误报;AGENT-MINER 用 CodeExtractor→Planner→Auditor→Verifier→Reporter 的 LangGraph 循环,目标明确指向 AI Agent 源码。
  • 与 AutoCVE 的区别:[[code-analysis-vuln-discovery-autocve-target-count-multi-agent-orchestration]] 面向 GitHub 项目的 CVE 批量挖掘与报告生成;AGENT-MINER 面向单个 AI Agent 仓库的深度白盒审计与 PoC 验证。
  • 与 LLM SAST 的区别:[[code-analysis-vuln-discovery-llm-sast-vulnhuntr-python-audit-pipeline]] 以 prompt 分阶段和 Jedi 上下文补全为主;AGENT-MINER 强调多角色协作与动态验证闭环。
  • 入口变体:HTTP 路由、WebSocket、MCP stdio/SSE、工具调用 schema、浏览器扩展消息、CLI 任务参数。

检测与防御

  • 对被审计的 Agent 开发者:把 Agent 安全 Checklist 前移到设计阶段,默认对所有控制面接口鉴权;对 MCP/stdio、工具调用和浏览器扩展消息做来源校验与参数白名单;在容器/沙箱中运行 Agent 与工具。
  • 对审计方:只读审计与 PoC 执行分离;PoC 在禁网、只读、可回滚的沙箱中运行;不要用生产凭据或真实用户数据做验证。
  • 对平台方:仓库中的 README、注释、Issue 是不可信内容,可能对审计 Agent 构成提示词注入;应隔离不可信文本,禁止其改变系统提示词、工具权限或报告规则。
  • 报告质量:对 Agent 自动确认的漏洞抽检 PoC 可复现性与影响描述,避免把环境搭建失败、版本误配或仅管理员可达的问题当成高危。