security-audit-skill：让 AI 编程助手自动做安全审计的六阶段流水线

Skill超级捕获手 技术创作者 2026-08-07 9 阅读

Cloudflare 开源了一个将 AI 编程助手转变为安全审计师的 Skill——security-audit-skill。它通过六阶段流水线（侦察→狩猎→验证→报告→结构化输出→独立核查），让 Claude Code、Codex 等 Agent 自动对代码库进行深度安全审计，并输出可机读的漏洞报告。相比人工逐行审查，这套工作流能并行调度多个子 Agent，从注入、访问控制、业务逻辑、加密等不同角度同时出击，还能复用历史审计结果持续深挖。GitHub 2026 年 6 月上线，当前进度 2,766 ⭐，由 Cloudflare 安全 AI 研究团队维护并持续更新。

功能与原则

核心能力：六阶段流水线安全审计，覆盖完整攻击面。

  • Recon：并行侦察 Agent 绘制应用架构、信任边界和输入面，产出 architecture.md
  • Hunt：并行泛化 Agent 从注入、访问控制、业务逻辑、加密、特性滥用、链式攻击、wildcard 等多角度出击，每个 Agent 可衍生子 Agent 深挖
  • Validate：独立 Agent 尝试反驳每条发现，用对抗性审查消灭误报
  • Report：产出 REPORT.md（人类可读）和 FINDINGS-DETAIL.md（MEDIUM+ 详细trace）
  • Structured Output：输出 findings.json，遵循 report-schema.json schema，由 validate-findings.cjs 校验
  • Independent Verification：全新 Agent 独立核查 structured output 中每条事实性声明是否与实际源码一致

设计原则：
– 只报能利用的漏洞，每条发现需要具体攻击场景
– 对抗性验证：发现者和验证者不是同一个 Agent
– 严重性 = 可能性 × 影响，而非偏离检查清单的程度
– 纵深防御缺口不算漏洞
– 多次运行结果可叠加，不同运行探索不同代码路径

认可度

  • GitHub Star：2,766 ⭐（截至 2026-08-07）
  • 创建时间：2026 年 6 月，上线约 6 周即突破 2.7k ⭐，增长迅速
  • 更新时间：2026-08-06，最近更新
  • 维护方：Cloudflare 安全 AI 研究团队，工程化程度高
  • Trending：在 GitHub trending 和 weekly 热榜上亮相，被多家技术媒体报道

链接

GitHub：https://github.com/cloudflare/security-audit-skill

原作者

Cloudflare（@cloudflare）
Cloudflare 是全球领先的互联网基础设施和安全公司，其安全 AI 研究团队专注于用 AI 技术革新漏洞发现流程。该 Skill 脱胎于 Cloudflare 内部漏洞发现系统（相关博客：Build your own vulnerability harness），是内部系统的单仓库开源版本。

介绍

安全审计向来是人力密集型工作——需要懂架构、懂攻击、懂防御的工程师反复审视代码库，还要在误报和漏报之间找平衡。Cloudflare 发布的 security-audit-skill 将这一流程自动化，核心思路是让多个专业 Agent 并行作战。

第一步是侦察（Recon）：多个 Agent 同时研究代码库，梳理出架构图、信任边界和所有输入面。产物是一份 architecture.md，成为后续阶段的基础。

第二步是狩猎（Hunt）：这是最核心的阶段。并行 Agent 分别从注入、访问控制、业务逻辑、加密、API 滥用、链式攻击等角度展开搜索，每个 Agent 还能衍生子 Agent 继续深挖。一个 Agent 找到了注入点，另一个可能找到了越权路径，彼此独立、互不干扰。

第三步验证（Validate）：用从未参与过发现的全新 Agent 去反驳每条发现。对抗性审查会淘汰大部分误报，保证最终输出的可信度。

第四步报告（Report）和第五步结构化输出（Structured Output）：传统安全报告是给人看的；这个 Skill 同时产出 findings.json，用 schema 规范化漏洞描述，包含漏洞类型、严重性、利用路径、修复建议等字段，可直接导入漏洞管理系统。

第六步独立核查（Independent Verification）：又一个全新 Agent 将 findings.json 中的每条事实声明与源码对照，核查是否有引用错误或夸大描述。

多次运行的结果可叠加：每次运行会读取历史 findings.json，已知漏洞跳过，专注新发现的不同代码路径。单次运行约能发现多轮累计漏洞总量的一半。

特点

  • 六阶段流水线：侦察→狩猎→验证→报告→结构化输出→独立核查，覆盖完整审计生命周期
  • 并行多 Agent 架构：一次调用调度多个专业 Agent 并行工作，大幅提升审计覆盖面
  • 对抗性验证机制：发现者与验证者分离，最大程度减少误报
  • 机器可读输出：原生输出符合 JSON Schema 的 findings.json，可对接企业内部漏洞管理平台
  • 支持多种目标：覆盖 Web 协议和认证、客户端/浏览器（DOM 注入、UI 欺骗）、AI/LLM 安全（提示注入、工具滥用）、原生二进制（内存安全、内核）等
  • 多次运行叠加：历史结果复用，专注新发现，审计深度随运行轮次线性增长
  • 零额外依赖：validate-findings.cjs 零依赖，Node.js 即可运行 schema 校验

使用方法

安装（通过 Skills CLI）：

npx skills add https://github.com/cloudflare/security-audit-skill 
  --skill security-audit

全局安装（用户级）：

npx skills add https://github.com/cloudflare/security-audit-skill 
  --skill security-audit 
  --global

基本调用：在目标代码库目录启动 Claude Code（或 Codex 等支持的 Agent），直接下达指令：

security audit this codebase
find security vulnerabilities in ./src
do a security review, output to ~/audits/my-project

Skill 会自动识别触发词（security audit / find vulnerabilities / pen-test 等），无需手动激活。

前置依赖：
– 支持工具调用和并行子 Agent 的 AI 编程助手（Claude Code、Codex CLI、Cursor 等）
– Node.js（用于 validate-findings.cjs 进行 Phase 5 的 JSON schema 校验）

输出目录：默认输出至 ~/security-audit-skill/<repo-name>/run-<N>，也可在指令中指定路径。

使用场景与人群

适用场景：
– 正式上线前的代码安全审查
– 第三方依赖包引入前的安全评估
– CI/CD 流水线中的自动化安全门禁
– 渗透测试前的快速踩点
– LLM 后端应用的安全审计（提示注入、工具滥用检测）

目标用户：
– 安全工程师：需要快速对大量代码库做初步扫描
– 开发团队：没有专职安全人员的中小团队，需要在发版前自检
– 平台工程师：在 CI/CD 中嵌入自动化安全检查
– AI 研究者：对 AI 安全审计有兴趣，了解 LLM Agent 攻击面

输入与输出案例

输入示例 1：

security audit this codebase, output to ~/audits/my-api

Agent 自动识别为安全审计任务，激活 skill，进入六阶段流水线。

输出示例 1：

~/audits/my-api/
├── architecture.md           # 阶段1：架构与攻击面图
├── REPORT.md                 # 阶段4：人类可读报告
├── FINDINGS-DETAIL.md       # 阶段4：详细攻击路径trace
├── findings.json             # 阶段5：结构化漏洞数据
└── run-1/                   # 本轮运行记录

输入示例 2（针对 AI/LLM 应用）：

do a security review on the LLM backend module

Skill 识别为 LLM 目标，自动加载 AI-AND-LLM.md 中的提示注入和工具滥用狩猎规则，对 LLM 输入处理、工具调用链、输出处理进行专项审计。

输出示例 2（部分 findings.json）：

{
  "findings": [
    {
      "id": "LLM-001",
      "severity": "HIGH",
      "type": "prompt-injection",
      "title": "Unsanitized user input in system prompt construction",
      "attack_scenario": "Attacker controls field 'username' which is directly concatenated into system prompt, enabling role confusion.",
      "exploit_path": "src/llm_handler.js:42 → systemPrompt += username",
      "likelihood": "HIGH",
      "impact": "MEDIUM",
      "recommendation": "Validate and escape all user-controlled fields before prompt construction."
    }
  ]
}

每个 finding 包含 ID、严重性、类型、标题、具体攻击场景、利用路径、可能性评估、影响评估和修复建议，格式可直接导入 Jira 或内部漏洞管理系统。

GitHub: https://github.com/cloudflare/security-audit-skill

评论区

0 条评论

登录后可评论。

Skill超级捕获手 9 阅读