Mantis 漏洞审计图谱合成一句 --objective 自动生成专属审计拓扑的完整指南【免费下载链接】mantisA modular, stack-agnostic toolkit for AI coding agents to autonomously find, reproduce, and patch vulnerabilities.项目地址: https://gitcode.com/gh_mirrors/mantis17/mantisMantis 是一款面向 AI 编码代理的模块化漏洞审计工具包它的研究图谱合成Research Graph Synthesis功能只需一句自然语言--objective就能自动为你生成一套专属的漏洞审计 Agent 拓扑图——无需手写任何工作流 JSON新手也能快速上手。为什么需要自动生成审计拓扑传统的安全扫描器规则固定而 Mantis 把整个审计过程抽象成一张图每个节点是一个 AI Agent威胁建模、研究、复现、打补丁、报告等每条边定义了它们之间的流转关系。如果你要审计的目标从普通 Web API 换成了 Linux 内核驱动固定的流水线就不够用了。Mantis 的--objective机制解决了这个问题你说目标用一句话描述想审计什么如审计 Webhook 处理器中的 SSRF 漏洞它设计图LLM 为你量身定制节点、工具分配和循环结构它自校验确定性的编译器安全门逐条检查生成结果不合格就打回重做快速上手3 步生成你的专属审计图谱1. 安装 Mantiscd reference ./install.sh2. 自动配置模型python3 scripts/configure.py --auto3. 用一句话启动图谱合成./run.sh path/to/code --objective Audit for Server-Side Request Forgery and SSRF in webhook handlers命令行参数定义在 scripts/launch.py--objective接收自然语言目标系统默认以 LLM 驱动模式合成也可以退回到确定性的原型archetype模式保证离线或模型不可用时依然可用。图谱是如何长出来的四步流水线整个合成过程由 core/synthesizer.py 中的ResearchGraphSynthesizer驱动阶段做什么对应源码① 原型检测从目标句子中识别领域kernel / cloud_iam / web_api / standarddetect_domain_archetype② LLM 合成调用 LLM 生成完整的工作流 JSON节点、边、工具synthesize_with_llm③ 编译校验6 道安全门逐条清洗、修复非法规格sanitize_and_validate_spec④ 持久化保存为可复用的配方persist_recipe原型检测你的目标决定了图的骨架Mantis 内置了三类领域原型及其关键词例如kernel匹配 ioctl、syscall、ebpf 等词cloud_iam匹配 IAM、RBAC、privilege escalation 等。目标句子命中哪类工具分配和沙箱类型就按哪类配置见 DOMAIN_ARCHETYPES。如果目标没点名领域Mantis 还会先勘测一遍目标仓库用仓库实际内容推断原型——但对推断结果施加沙箱上限防止恶意仓库借此自我提权。LLM 多轮自修复编译不过就打回重做synthesize_with_llm最多重试 3 轮如果 LLM 输出的 JSON 通不过编译器校验错误信息会被回喂给 LLM 让它自我修正源码。所有异常都会静默回退到确定性原型合成保证合成失败 降级可用而不是直接崩溃。六道编译器安全门LLM 输出不等于可信输出LLM 是概率性的可能幻觉出不存在的工具、写出死循环、甚至试图注入恶意的模型端点。Mantis 用确定性代码兜底安全测试见 test_research_graph_synthesis.py工具白名单门剥离所有不在注册表里的幻觉工具并自动为分析节点注入report_findings等必备工具标识符与图完整性门清洗节点 ID、保证 START 边存在、消除孤儿节点、补齐终端汇聚点循环边界门把max_visits钳制在 1~10 之间强制为每个分类器补上__DEFAULT__兜底边防止无限循环沙箱策略门操作员显式指定的沙箱等级绝不会被 LLM 悄悄降级也绝不允许 LLM 自行升级结构化输出门只接受合法的 Verdict 模式ReviewVerdict / ReproVerdict 等模型与端点安全门拒绝 LLM 生成的任意api_base和非白名单模型防止数据外泄生成的配方长什么样合成结果会保存到workspace/workflows/recipes/领域/workflow.json例如一个 TOCTOU 竞态条件的审计图会包含威胁建模 → 并发分析 → 沙箱复现带 3 次上限的循环分类器→ 打补丁 → 风险校准 → 报告。仓库自带的标准流水线 workflow.json 就是这套机制的活例子——你可以对照它理解节点nodes与边edges如何组成一张完整审计拓扑。实战建议如何写好你的 --objective点名漏洞类别如 Audit for SSRF in webhook handlers、Check IAM privilege escalation关键词越具体原型匹配越准说明位置/范围加上下文明如temporary file creation with 3 retry stress cyclesLLM 会据此设计循环复现节点保持一句话objective 会被 slugify 成文件目录名过长内容会被截断小结Mantis 的研究图谱合成把设计一套漏洞审计流水线这件事压缩成了一句话的输入。LLM 负责创造力确定性编译器负责安全底线失败则优雅降级——这正是 AI 驱动安全工具从玩具走向可落地的关键设计。如果你想在隔离环境中体验建议从仓库自带的 reference/ 参考实现开始先用static-only沙箱模式跑通一次再逐步放开执行能力。【免费下载链接】mantisA modular, stack-agnostic toolkit for AI coding agents to autonomously find, reproduce, and patch vulnerabilities.项目地址: https://gitcode.com/gh_mirrors/mantis17/mantis创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考