技能介绍

解决代理工程中的隐蔽安全盲区

在构建 AI Agent 时，开发者往往将精力集中在模型能力和业务逻辑上，却容易忽视底层代码与配置中的安全漏洞。提示注入（Prompt Injection）和不安全的 MCP（Model Context Protocol）配置是当前代理开发中最常见的两类隐患。当外部输入未经严格清洗便进入提示词上下文，或者 MCP 工具暴露了过于敏感的文件系统、网络请求权限时，攻击者就能轻易劫持代理行为，导致数据泄露甚至系统被控。这些问题在动态测试中往往难以全面触发，缺乏系统性的静态审计手段会让团队在发布前陷入盲飞状态。

核心能力与工作流

Agent Audit 提供了一套面向代理仓库的静态扫描方案，帮助工程师在代码合并和发布前拦截上述风险。其核心能力涵盖以下三个维度：

提示注入面分析：追踪外部数据流向提示词模板的路径，识别可能被恶意构造输入绕过系统指令的污点（Taint）问题。
MCP 配置审查：解析 mcp.json 或相关配置文件，标记那些赋予了代理过高权限（如无限制的本地文件读写或任意网络调用）的不安全工具暴露。
多框架规则覆盖：内置针对主流代理框架的规则集，例如对 openai-agents-python 的 ASI-01、ASI-02 规则，以及对 adk-python 的 ASI-02、ASI-04、ASI-10 检查，确保不同技术栈的项目都能得到有效的合规性校验。

工作流非常直接：开发者将本地代理代码库或配置树作为输入，工具会执行深度的静态解析，最终输出结构化的风险报告，指明具体的文件路径、违规规则编号以及潜在的攻击场景，供工程师直接进行代码修复。

适用边界与注意事项

尽管静态扫描能有效拦截已知的结构性缺陷，但它并非万能的安全银弹。开发者需要注意以下几点：

动态逻辑盲区：对于高度依赖运行时环境、动态生成提示词或在复杂业务流中动态组装 MCP 工具的场景，静态分析可能无法完全覆盖所有执行路径，仍需结合动态 fuzzing 测试。
规则库的时效性：安全威胁演进迅速，内置的 ASI 规则集需要随着上游框架的更新而同步升级，过时的规则库可能导致新出现的漏洞模式被遗漏。
上下文语义理解：静态工具擅长识别数据流和配置项，但对于某些依赖复杂自然语言语境才能判定的高级语义注入攻击，仍需人工安全审查介入。