google/mantis

Mantis – 基于AI的自动化安全审查工具包

简介 – Mantis 是一组s技能（插件模块）和一个基于ADK的参考框架，让您可以对代码库运行 AI 驱动的漏洞发现活动。它编排大语言模型（LLM）来读取源代码、构建威胁模型、生成漏洞利用测试，甚至建议补丁，所有操作都在沙箱化的工作流程中完成。

工作原理

1. 设置 – 安装 Python 虚拟环境，运行提供的 install.sh，如果要使用 Vertex AI 模型，则（可选）对 Google Cloud 进行身份验证。
2. 配置 – scripts/configure.py 自动检测功能（模型访问、硬件、预算）并验证连接。
3. 启动 – run.sh <path> 开始审查活动：
   • 扫描仓库历史以查找过去的错误。
   • 构建代码的语义索引以便快速导航。
   • 生成威胁模型和研究假设列表。
   • 使用 LLM 驱动的代理执行这些假设，去重结果，并尝试复现发现（静态分析 → 单元测试风格的漏洞利用 → 模拟服务器攻击）。
   • 可选地运行图合成步骤，为特定目标（例如“审计 SSRF”）创建自定义代理拓扑。
4. 反馈循环 – 对发现进行批判，根据严重性标准进行校准，如果需要，系统会尝试自动修补并重新验证修复。
5. 建议 – 可以调用 /mantis-advise 技能，获取针对新开发的 AI 生成的安全编码建议。

主要特性

• 端到端 AI 工作流：从代码摄取到漏洞利用复现和补丁建议。
• 可插拔的“技能”，可适用于硬件 RTL、IaC、ML 流水线或固件等领域。
• 使用共享 SQLite 数据库（可配置锁定超时）并行执行活动。
• 预算控制（--no-budget）和用于安全执行的沙箱示例。
• 使用自然语言提示聚焦扫描（--focus "查找 IDOR"）。
• 针对自定义安全目标的基于图的研究综合。

预期用例

• 希望用 AI 生成的假设增强手动代码审查的安全团队。
• 希望自动审计遗留代码库中被遗忘的漏洞的组织。
• 寻求 AI 驱动的指导以编写更安全代码的开发人员。
• 实验基于 LLM 的漏洞发现流水线的研究实验室。

安全与限制

• 高度实验性 – README 反复警告：仅在隔离的、受限的环境中运行；切勿在系统或数据上运行。
• 非确定性模型 – LLM 可能产生幻觉或生成错误的补丁；每个输出都必须由安全专家手动验证。
• 没有 Google 官方支持 – 这是一个演示项目，不属于 Google 的开源漏洞奖励计划。
• 资源密集型 – 大型模型（例如 Vertex AI）可能产生大量计算成本；提供了预算标志来限制支出。
• 沙箱可靠性 – 虽然包含了示例沙箱，但建议用户添加额外的监控以防逃逸尝试。

入门

# 安装虚拟环境和依赖项
cd reference && ./install.sh
# 如果计划使用 Vertex AI，请进行身份验证
gcloud auth application-default login
# 自动配置环境
python3 scripts/configure.py --auto
# 运行快速预检测试
python3 scripts/configure.py --test --probe
# 在仓库或文件上启动审查
./run.sh path/to/code

结论 – Mantis 是一个概念验证平台，展示了如何编排 LLM 来对软件进行深入的自动化安全分析。它对于研究和受控的内部审计非常强大，但必须极其谨慎并在彻底的人工监督下使用。