cloudflare/security-audit-skill

TL;DR

Cloudflare 开源了 security-audit-skill，一个将 Coding Agent 转化为自动化安全审计员的 Skill。它通过六阶段工作流（侦察、覆盖率驱动狩猎、候选验证等）和严格的隔离验证机制，实现机器可读且可追溯的安全发现输出。

它解决什么问题

传统 AI 辅助代码审计常面临幻觉率高、验证缺失和结果不可复现的问题。Cloudflare 将其内部大规模漏洞发现系统（Vulnerability Discovery Harness）的核心逻辑提炼为此 Skill，旨在解决 AI 在安全领域“只发现不验证”的痛点。随着 LLM Agent 在多智能体协作中的普及，如何确保每个发现的漏洞都有完整的源代码追踪和独立验证，成为工程落地的关键瓶颈。

核心做法

该 Skill 定义了一个严格的六阶段流水线： 1. Reconnaissance：映射架构、信任边界和输入面，生成 architecture.md 和 coverage-ledger.json。 2. Coverage-led hunting：基于覆盖率账本分配隔离的 Hunter Agent 进行漏洞狩猎，并由 Critic Agent 填补覆盖缺口。 3. Candidate validation：将每个唯一候选漏洞交给全新的 Verifier Agent 进行证伪尝试。 4. Structured output：输出 confirmed（有完整源追踪）、needs_validation 和 rejected三类记录，并通过 JSON Schema 验证。 5. Independent record verification：对最终结论进行独立二次验证，关键替换需再次验证。 6. Target-neutral reporting：生成标准化的报告文件。关键设计在于“对抗性验证”（Adversarial Validation）：发现漏洞的 Agent 绝不能是验证它的 Agent，且必须依赖沙箱执行来确认边界失效。

作者

Owner 为 Cloudflare（组织账号）。这是 Cloudflare Security AI Research 团队的产物，源自其内部博客文章《Build your own vulnerability harness》中描述的系统。Cloudflare 在 Web 基础设施和安全领域拥有深厚积累，该 Skill 是其将内部大规模多智能体安全测试经验开源化的尝试。

社区反应

截至数据提取时，项目拥有 7,270 Stars 和 422 Forks，显示出极高的关注度。作为 Cloudflare 官方开源项目且采用 MIT 协议，其可信度较高。Open Issues 为 14 个，表明项目处于活跃维护但尚未完全稳定的早期阶段。主语言 JavaScript/Node.js 使其易于集成到现有的 AI Agent 框架中。

怎么上手

环境要求：需要支持 Tool Use 和并行子 Agent 的 Coding Agent（如 Cursor, Windsurf 等），以及 Node.js 环境用于运行验证脚本。
安装：通过 Skills CLI 安装： bash npx skills add https://github.com/cloudflare/security-audit-skill --skill security-audit
使用：在目标代码库中触发 Agent，输入 security audit this codebase 或类似指令。
沙箱配置：关键步骤。必须为 Agent 提供 OS 级沙箱，禁用外部网络、限制资源并仅允许写入指定 Scratch Path。否则，Agent 无法执行目标代码进行验证，所有发现将停留在 needs_validation 状态。

争议与局限

沙箱依赖性强：核心验证能力高度依赖严格的 OS 级沙箱配置。对于无法提供隔离执行环境的用户，该 Skill 的实际效用将大打折扣（README 明确说明无沙箱则无法确认漏洞）。
资源消耗大：六阶段流程涉及多个隔离 Agent 的并行与串行执行，加上覆盖率账本的维护，计算成本和 Token 消耗可能远高于单次 LLM 扫描。
推断：适用场景有限：目前主要针对代码库审计，对于黑盒 API 或纯二进制固件的支持可能不如专业工具深入（尽管提及了 Memory Safety 和 Binary hunting classes）。
推断：学习曲线：需要用户理解 coverage-ledger 和验证流程，而非简单的“一键扫描”，对非安全专家用户有一定门槛。