Magika AI 文件类型检测

要解决什么问题

文件上传、邮件附件、网盘同步这类链路里，系统通常只能拿到文件名和客户端声明的 MIME 头。攻击者把恶意样本改成 .pdf、.jpg 或 .docx 后缀就能绕过基于扩展名的过滤；一些云盘和邮件网关还会收到声明类型与真实内容不符的文件，导致安全扫描器走了错误的解析分支。只信文件名、只信头信息，是内容安全的第一类盲区。

技能如何工作

Magika 是 Google 开源的 AI 文件类型检测器，本技能把这套能力封装成 Agent 可直接调用的步骤：

• 基于内容识别：读取文件字节，输出类型判断，而不是解析扩展名或依赖客户端上报的头部。二进制和文本文件都适用。
• 先加载模型，再批量推理：模型加载是一次性开销；加载完成后，即使在单核 CPU 上，单文件推理也大约在 5ms 量级，适合接入到流量入口做快速分流。
• 面向决策的输出：Agent 拿到真实类型后，可以据此执行路由、校验、分类或下游安全策略，而不是继续依赖文件名做判断。

这套方案在 Google 内部已被大规模使用：Gmail、Drive、Safe Browsing 会把上传文件按真实类型路由到对应的安全与内容策略扫描器，每周处理数千亿样本。

适用边界与注意点

• 首次加载有固定开销：冷启动需要加载模型，短生命周期的一次性任务要评估这部分成本。
• 识别范围以模型覆盖为准：长尾、冷门格式或自定义封装格式可能不在训练分布内，建议把检测结果作为决策输入之一，而不是唯一依据。
• 不能替代深度检测：类型判断回答的是「这是什么文件」，恶意判定、内容违规识别仍需交给后续扫描器。
• 上游要求以官方文档为准：具体依赖和兼容性限制请参照 Magika 上游 README 与 PyPI 页面。