AutoCVE 一键 CVE 挖掘:目标数量驱动的 Recon/Scan/Triage/Finding/Verification 多 Agent 编排
code-analysis/vuln-discovery · verified
一句话结论
AutoCVE 把“筛项目→导仓库→建任务→多 Agent 审计→沙箱验证→生成 CVE 报告”串成目标数量驱动的闭环:用户只设期望 CVE 数,Orchestrator 调度 Recon、Scan、Triage、Finding、Verification 五类 Agent 持续审计项目,Finding Agent 直接读源码构造攻击链,Verification 在沙箱用 PoC 做动态确认,最后由结构化报告工具生成可提交 GitHub Advisory 的字段。
原理
- 目标数量驱动,而不是单仓库一次性扫描:用户设定目标 CVE 数量,系统自动筛选 GitHub 开源项目、导入仓库并创建审计任务,未达标就继续换项目/继续深挖;这样把“选项目、配工具、跑扫描、追数据流、写报告”的人工循环变成可持续的流水线。
- 阶段化 Agent 分工:Orchestrator 统一调度;Recon 识别项目语言、框架、入口文件与优先审计路径;Scan 调用 Semgrep、Bandit 等确定性工具产生规则候选;Triage 过滤误报并补充证据;Finding 直接阅读源码、构造攻击链、挖掘高价值漏洞;Verification 通过沙箱和 PoC 动态验证。确定性工具负责召回,LLM 负责语义可达性与攻击链,验证阶段负责降低误报——三者职责分离是流水线成立的基础。
- 三种审计模式:增强扫描(Scan→Triage,快速消化工具结果并过滤误报)、智能审计(Finding,面向 CVE/0day 的高价值漏洞深挖)、综合审计(Scan→Triage + Finding,工具扫描与源码分析同时进行)。模式选择决定成本与覆盖面的取舍。
- Finding Agent 的审计策略:以 ReAct Loop 反复“读代码→调用工具→修正假设”,配合专项工具调用、Nudge 纠偏和 FinalizeFinding 结构化终止,避免无限探索;从截图可见它会先定位认证中间件、命令执行、文件下载/上传、SSRF 外联请求等高价值攻击面,再核对“是否可由非管理员从外部触发”,避免把仅管理员可用的内部 RCE 误报成高危。
- 沙箱动态验证:Verification Agent 在沙箱内运行 PoC,只有能打通最终危害的候选才进入报告;这一步把“代码看起来像漏洞”变成“可复现的漏洞”,也是自动生成 CVE 报告前的质量闸门。
- 结构化报告:FinalizeVulnerabilityReports 输出 Summary、Details、PoC、Impact、Remediation、Disclosure Notes、Affected products、CVSS、CWE、Suggested CVE description 等字段,目标是可直接复制到 GitHub Advisory 提交。
- 边界:文章是产品介绍,未给出提示词、工具实现、沙箱隔离细节和误报率数据;“一周 30 个 CVE、14 个项目、最高 CVSS 9.9、全程无人工”为作者自述,未经本库独立核验。自动生成的 CVE 报告仍需人工复核受影响版本、重复性和实际影响,不能把“拿到 CVE 编号”等同于“漏洞质量已证明”。
触发条件
- 需要对一批开源项目做持续的 CVE/0day 挖掘,且能提供仓库访问、模型调用预算和隔离沙箱。
- 团队接受“Agent 产出候选、人工复核最终报告”的分工,而不是完全无人值守地提交漏洞。
- 目标项目有可构建/可运行环境,Verification Agent 才能做动态 PoC 验证。
- 需要为不同 Agent 配置审计 Skills(如源码审计、CVE 报告写作)以约束其行为边界。
利用步骤
- 在平台配置模型与各 Agent 的 Skills,明确 Finding Agent 的只读代码权限和 Verification 的沙箱边界。
- 设定目标 CVE 数量与审计模式(增强扫描/智能审计/综合审计)。
- 让系统筛选并导入 GitHub 项目,创建审计任务;Orchestrator 按 Recon→Scan/Triage→Finding→Verification 调度。
- 在审计会话中查看 Agent Tree、工具调用、阶段进度与初步报告,必要时人工追问补充证据。
- 对进入报告的候选复核:源码位置、触发条件、PoC、受影响版本、CVSS/CWE 与修复建议。
- 用结构化报告字段整理为 GitHub Advisory/CVE 申请材料,提交前人工确认披露合规性。
PoC
无 PoC。该文章描述的是产品化审计流程,不是某个具体漏洞的利用;文中展示的漏洞报告示例(Chartbrew 遗留 dashboard 路由越权)已单独成卡。
变体与关联
- 与对抗式流水线的区别:[[code-analysis-vuln-discovery-multi-agent-adversarial-pipeline]] 用 Finder/Refuter/Reproducer 的证伪机制保证低误报;AutoCVE 用“Scan/Triage 过滤 + Finding 深挖 + Verification 沙箱确认”的顺序编排,并把目标设为 CVE 数量,偏向产品化的一键闭环。
- 与 LLM SAST 的区别:[[code-analysis-vuln-discovery-llm-sast-vulnhuntr-python-audit-pipeline]] 聚焦单仓库的 prompt 分阶段审计;AutoCVE 在其上增加了项目自动筛选、任务编排、多 Agent 协同与报告生成。
- 模式变体:只跑 Scan→Triage 适合快速清工具告警;只跑 Finding 适合高价值深挖;两者合并适合全量审计。
- 工具变体:Scan 阶段可替换为 Semgrep、Bandit、CodeQL、依赖/密钥扫描器;Finding 阶段可接不同模型与 Skills。
检测与防御
- 防守方:AI 挖掘会缩短“漏洞被发现到被利用”的窗口,需把补丁周期、依赖升级和暴露面收敛前移;对公开仓库的高频克隆/扫描行为做监控。
- 使用方:给 Agent 最小权限,代码读取与 PoC 执行隔离;沙箱禁网、禁写生产路径;对 Agent 产出的报告做人工复核,尤其是受影响版本和 CVSS 评分。
- 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“已拿到 CVE 编号”的漏洞抽检 PoC 可复现性与影响描述,避免把版本误配、重复报告或仅管理员可达的问题包装成高危。