tabby 调用链 xlsx + 自定义 MCP/Skill 按链回传方法源码给 LLM 审计
code-analysis/vuln-discovery · verified
一句话结论
先用 tabby + Neo4j 查出 Controller 入口到危险 sink 的调用链并导出 xlsx,再写一个 FastMCP server(或 IDE 内 Skill)暴露 list_all_chains / analyze_chain 工具:按行号读取链、按全限定类名定位源码、只截取链上每个方法的代码片段返回给 LLM,让模型逐链判断 Source→Sink 的参数是否可控;相比整库丢给模型,token 更省、上下文更聚焦,也比只给调用链字符串多出方法实现细节。
原理
- tabby 对 Java 字节码做静态分析,生成 Class/Method/CALL/ALIAS 图;导入 Neo4j 后可用 Cypher 从
@RequestMapping/@PostMapping等入口出发,经apoc.algo.allSimplePaths查到vul_list中的 sink(文件操作、命令执行、模板渲染等)。 - 查询结果每行是一条调用链,节点通常格式化为
method(class.fqn)。把行导出 xlsx 后,链的顺序和涉及的类就是 LLM 审计的“骨架”。 - 自定义 MCP server 读取 xlsx:
list_all_chains返回Row i: ...摘要供模型选择;analyze_chain(row_index, project_path)取该行,按节点解析出方法名与 FQN,在项目根/src/main/java下定位.java文件。 - 定位到文件后只提取目标方法:用方法签名正则找到起始行,再用大括号配对截取方法体;同一类出现多个方法时追加片段并去重。这样传给模型的是“链上每个方法的最小实现”,而不是整个类或整个项目。
- 关键细节:链的最后一个 sink 节点通常位于 JDK/框架源码中,项目源码里找不到,直接跳过,避免返回“未找到源码”噪声;
project_path允许指定工作区内不同项目。 - 返回结构包含
chain_sequence、involved_classes(方法片段字典)和prompt_hint,提示模型沿链追踪参数从 Source 到 Sink 的传递,并检查过滤/编码/权限。 - MCP 与 Skill 两种落地方式共用同一套 Python 逻辑:MCP 由
FastMCP起服务、LLM 通过协议调用工具;Skill 则把server.py与SKILL.md放在 IDE 技能目录,由 IDE 直接执行脚本/调用实现函数。两者差别只是传输层。 - 方法成立的前提是“链查询准确”和“方法截取完整”;Cypher 漏掉 sink 或方法正则截断,模型就看不到关键参数流,仍会产生漏报/误报,因此结果只能作为候选,需要人工复核。
触发条件
- 已获授权的 Java 项目源码或可解析 jar/war,项目规模大到不适合整库塞给 LLM。
- 本机可运行 tabby,并有 Neo4j(含 APOC)导入图数据;能把查询结果导出 xlsx。
- IDE/客户端支持 MCP server 或本地 Skill(如 Trae、Claude Code、Cursor 等),且模型能调用工具。
- 需要审计的是“入口到 sink 的调用链”类问题(文件上传/删除、命令执行、模板注入、SQL 注入、SSRF、XXE 等)。
利用步骤
- 用 tabby 分析目标,生成图数据并导入 Neo4j。
- 编写 Cypher:按
source_c.ANNOTATIONS in ["RequestMapping","PostMapping","DeleteMapping","PutMapping","GetMapping"]选入口,按sink.NAME in {vul_list}选 sink,用apoc.algo.allSimplePaths(source, m1, "ALIAS>|CALL>", 5)取路径,导出output.xlsx。 - 实现 MCP server:用
openpyxl读取 xlsx;list_all_chains输出行号与链摘要;analyze_chain解析method(class.fqn),定位并截取方法源码,跳过最后一个 sink 节点,返回 JSON。 - 在 IDE 的
mcpServers配置中注册:command: python、args: ["<path>/server.py"]、env.PYTHONPATH指向脚本目录;或把server.py+SKILL.md放到技能目录,由 Skill 直接调用。 - 提示模型“先列出所有调用链,再逐条分析 Source→Sink 参数是否可控”,模型会多批调用
analyze_chain拉取方法片段。 - 让模型输出每条链的结论与证据(文件/方法/参数流);人工复核高价值链,必要时回到源码确认过滤与权限。
PoC
Cypher 查询骨架:
MATCH (source:Method)
MATCH (source_c:Class)
WHERE source.CLASSNAME = source_c.NAME
AND source_c.ANNOTATIONS IN ["RequestMapping","PostMapping","DeleteMapping","PutMapping","GetMapping"]
MATCH (sink:Method)<-[:CALL]-(m1:Method)
WHERE sink.NAME IN {vul_list}
CALL apoc.algo.allSimplePaths(source, m1, "ALIAS>|CALL>", 5) YIELD path
RETURN *
LIMIT 100
MCP server 核心(FastMCP):
from pathlib import Path
import re
from fastmcp import FastMCP
mcp = FastMCP("ChainAnalyzer")
ROOT = Path(__file__).resolve().parents[1]
SOURCE_ROOT = ROOT / "target-project" / "src" / "main" / "java"
@mcp.tool()
def list_all_chains() -> list[str]:
# 读取 output.xlsx 的 Sheet.data,返回 "Row i: method(fqn) -> ..."
...
@mcp.tool()
def analyze_chain(row_index: int, project_path: str = "target-project") -> dict:
# 1) 读取 xlsx 第 row_index 行,得到链节点
# 2) 对每个 method(fqn):SOURCE_ROOT/pkg/Class.java 定位文件
# 3) 正则找方法起始行 + 大括号配对截取方法体,按类去重
# 4) 跳过最后一个 sink 节点(通常是 JDK/框架方法)
return {"row_index": row_index, "chain_sequence": "...", "involved_classes": {...},
"prompt_hint": "沿链追踪参数从 Source 到 Sink,判断是否可控"}
if __name__ == "__main__":
mcp.run()
变体与关联
- 变体:Skill 方式在 IDE 内直接 import
server.py的实现函数批量跑全部链,适合离线批量分析;MCP 方式适合模型按需逐条拉取。 - 变体:先返回整类源码,再让模型自己找方法;噪声更大,但能避免方法正则漏截重载/多行签名。
- 变体:把链按漏洞类型(文件、命令、模板、SQL、SSRF、XXE)分组,分别用不同提示词模板和 sink 清单。
- 变体:把分析结果写入日志/JSON,形成可追溯的审计记录,便于二次复核与去重。
- 关联:[[code-analysis-sast-tabby-neo4j-controller-sink-callchain]](tabby+Cypher 查询调用链本身)、[[code-analysis-vuln-discovery-ast-chain-per-link-llm-audit-workflow]](逐链独立 LLM 分析工作流)、[[code-analysis-vuln-discovery-cursor-code-audit-skill-system]](Skill/MCP 审计工具体系)。
- 边界:本文的模型输出(任意文件上传、文件删除、Velocity 模板注入候选)未做运行时复现,不能直接当已验证漏洞;该方法只提升候选发现效率,不替代人工确认。
检测与防御
- 审计方:先用已知漏洞项目回归 Cypher 查询覆盖率,重点检查反射、动态代理、JAR 内方法、复杂赋值导致的断链;对方法截取正则做单元测试,覆盖注解、多行参数、重载、内部类。
- 模型安全:源码是可被投毒的不可信输入,注释/字符串里可能藏提示注入;审计时应把代码当数据、限制工具返回范围,并要求模型引用具体文件与方法作为证据。
- 开发方:对入口到危险 sink 的短链做重点代码评审,危险 sink 前做类型/白名单/权限校验;在 CI 中集成调用图/SAST 扫描。
- 合规:仅用于授权源码审计;在线模型分析需评估源码外发风险,敏感项目优先本地模型或本地推理。