security-audit-skill：將編碼代理轉變為多階段安全審計員的技能框架

在软件安全领域，传统的人工代码审计不仅耗时巨大，而且难以覆盖所有攻击面，自动化扫描工具又常常产生大量误报，让团队陷入告警疲劳。Cloudflare 开源的 security-audit-skill 正是为解决这一困境而生。它不是一个独立的安全扫描器，而是一个赋予编码代理安全审计能力的技能包，定位在 AI 辅助安全审计的生态位。该项目源自 Cloudflare 内部博客《Build your own vulnerability harness》中描述的漏洞发现系统，经过提炼成为单仓库的起点版本。它利用大语言模型驱动的代理，将审计流程分解为六个严格阶段，通过隔离代理、交叉验证和结构化输出，试图在自动化与准确性之间找到平衡。对于希望将安全左移、实现持续审计的工程团队而言，这个技能提供了一种可编程、可扩展的审计范式。 该技能的核心能力体现在其六阶段审计流水线。第一阶段侦察，代理会绘制目标架构、信任边界、输入表面，并生成 architecture.md 和 coverage-ledger.json，建立覆盖率账本。第二阶段覆盖率引导狩猎，根据账本分配隔离的狩猎代理，记录检查项，并由覆盖率评论代理发现缺口。第三阶段候选验证，每个独特候选漏洞都会交给一个全新的验证代理，尝试证伪。第四阶段结构化输出，将结果写入 findings.json，并依据 report-schema.json 校验，裁决分为 confirmed（有完整源追踪和可观测结果）、needs_validation（存在未解决事实但无严重性）和 rejected（已证伪）。第五阶段独立记录验证，由新代理验证最终来源声明，任何材料替换都会触发另一轮独立验证。第六阶段目标中立报告，从已验证记录和覆盖率账本衍生出 REPORT.md、FINDINGS-DETAIL.md 和 NEEDS-VALIDATION.md。整个流程中，父进程会在创建账本后及每次更新后运行 validate-coverage-ledger.cjs，在第四阶段和每次第五阶段替换后运行 validate-findings.cjs，确保数据一致性。与其他方案的关键差异在于：多代理隔离避免单一视角偏差，独立验证机制大幅降低幻觉导致的误报，覆盖率账本使多次运行可累加，只针对缺口和变更部分重新审计，避免重复劳动。技能包还内置了丰富的攻击类别文件，覆盖内存安全、AI/LLM 提示注入、Web 协议认证、客户端 DOM 注入、供应链依赖、云部署配置、RPC 序列化等十余个领域，体现了面向不同技术栈的审计深度。 对于使用者而言，上手 security-audit-skill 需要将其作为编码代理的技能加载，典型环境是支持自定义技能的 AI 编码助手。安装路径简单，直接从 GitHub 仓库获取文件，按照 SKILL.md 中的指引配置代理平台术语和审计原则。文档结构清晰，每个阶段都有独立的 Markdown 指导，如 RECONNAISSANCE.md、HUNTING.md 等，攻击类别也按领域拆分，便于按需启用。由于项目由 Cloudflare 维护且已获得超过 1.8 万星标，社区关注度高，问题响应和迭代有保障。实际体验中，一次完整审计会产出多个结构化文件，可直接用于缺陷跟踪或合规证据。该技能特别适合集成到 CI/CD 中，对每次代码提交触发增量审计，或作为安全研究人员的辅助工具，快速建立目标代码的威胁模型。不过，当前版本仍依赖代理平台的能力，审计质量受底层模型影响，且对大型仓库的执行时间可能较长，需要合理划分审计单元。 security-audit-skill 的出现标志着安全审计正从专家驱动的人工作业，向 AI 代理编排的自动化流程演进。对开发者社区而言，它降低了深度安全审计的门槛，让中小团队也能获得接近大型企业内部的漏洞发现能力。其可累加、可验证的设计思路，可能影响未来 SAST 工具的架构方向，推动行业从"一次性扫描"转向"持续审计"。潜在风险在于，代理生成的发现仍可能包含 subtle 的误报或漏报，尤其是对业务逻辑漏洞的判定，因此人工复核环节不可省略。此外，技能依赖的提示工程和验证脚本需要针对不同目标持续调优，否则覆盖率账本可能产生偏差。未来值得观察的方向包括：与更多代理框架（如 LangChain、CrewAI）的集成，攻击类别库的社区贡献机制，以及将审计结果与漏洞管理平台自动对接。如果 Cloudflare 能将内部 harness 的更多经验反哺到这个开源技能中，它有望成为 AI 驱动安全审计的基石项目。