[控场AI]
· 4 分钟阅读· 2,180 字

0sec Labs开源0:三形态AI安全测试工具

0sec Labs开源0:三形态AI安全测试工具

0sec Labs 开源本地优先 AI 安全框架 0,整合审计、渗透、逆向与修复。

0sec Labs 开源了名为 0 的 AI 安全测试框架,以本地优先、自带模型供应商为核心设定,覆盖代码审查、渗透测试、逆向工程与修复四类任务。工具提供 Web UI、无头 CLI 与 MCP 服务器三种形态,共享同一套安全能力底座,分别服务人工审阅、自动化流水线和智能体互操作。相比主流 SaaS 化 AI 安全产品,0 让代码与样本留在本地、模型调用走用户自配供应商,显著降低敏感数据出域风险,也提升了安全工具自身的可审计性。不过原文未披露支持的模型清单、性能基准与误报率,实际落地效果仍需通过公开代码库的小范围对照测试来验证。

AI 正在进入安全攻防的深水区,但多数工具仍把模型能力锁在云端黑箱里。0sec Labs 近日开源了名为 0 的 AI 安全测试框架(harness),试图用一套本地优先的工具体系,把代码审计、渗透测试、逆向工程与漏洞修复串成闭环。

0sec Labs 开源项目 0 的 RSS 来源截图

三形态架构:同一个底座,三种使用姿势

根据 0sec Labs 的公开说明,0 同时提供三种运行形态:浏览器控制台(Web UI)、无头命令行(CLI)以及 MCP 服务器。三者并非各自独立的工具,而是共享同一套安全能力底座的不同入口。

Web UI 面向需要可视化交互的场景,适合人工审阅 AI 生成的审计结论;headless CLI 面向自动化流水线,可以嵌入 CI 流程或批量处理任务;MCP 服务器则把 0 的能力暴露给支持 Model Context Protocol 的 AI 客户端,让其他智能体能够直接调用这套安全工具链。

这种设计思路值得注意:它没有把安全能力封装成一个封闭产品,而是同时照顾了人类操作、脚本自动化和智能体互操作三种消费方式。对安全团队而言,这意味着可以把同一套 AI 审计逻辑复用到不同工作流中,而不必为每个入口重复建设。

自带模型供应商:本地优先的安全边界

0 的另一个关键设定是「使用你自己的模型供应商」(with your own model provider)。这与当前主流 SaaS 化 AI 安全产品的路径相反——后者通常要求把代码或二进制样本上传到厂商服务器。

0sec Labs 选择让工具在本地运行,模型调用走用户自己配置的供应商。对于处理核心代码库、未公开漏洞或客户敏感资产的安全团队来说,这一点的现实意义很大:数据出域的顾虑被显著降低,合规审查的复杂度也随之下降。

需要客观指出的是,原始信息并未披露具体支持哪些模型供应商、是否兼容本地推理后端,也未说明各形态之间的功能是否完全对等。这些细节将直接影响它在真实安全团队中的落地深度。

「自带模型供应商」(Bring Your Own Model, BYOM) 是近年来在 AI 工具设计中逐渐流行的一种模式:工具本身不绑定模型,而是把模型调用的接口开放出来,由用户自行填入 API Key、模型端点或本地推理服务地址。与之对立的是 SaaS 厂商统一托管模型的「黑箱」方式——用户只看得到输入和输出,看不到中间用了哪个模型、是否留日志、数据流向何处。对安全团队而言,BYOM 意味着一方面可以选用内部已过审的模型服务,另一方面可以把代码审计这类高敏感任务完全限制在自控环境内。其代价是使用者需要自行承担模型选型、成本控制和推理质量差异带来的负担,工具本身的可靠性也更依赖于用户所选模型的能力。

覆盖场景:从代码审计到逆向

0 声称覆盖四类安全任务:代码审查(code review)、渗透测试(pentesting)、逆向工程(reverse engineering)以及修复(fixes)。把「发现」与「修复」放在同一个 harness 里,是它与许多单点安全工具的区别。

传统安全工具的产出往往是漏洞报告,修复仍靠人工完成。如果 0 能在同一上下文中完成定位、验证与补丁建议,理论上可以缩短从告警到处置的链路。不过,AI 生成的修复建议在高风险代码库中仍需人工复核,这一点不会因为工具形态的整合而改变。

MCP 入口的存在还暗示了另一种用法:把 0 作为安全子智能体接入更大的自动化体系,让主智能体在需要时调用代码审计或逆向能力。这类组合在开源社区仍处于早期探索阶段,实际效果有待验证。

Model Context Protocol(MCP) 是由 Anthropic 于 2024 年底提出并开源的标准化协议,用于让 AI 客户端(宿主)以统一方式发现和调用外部工具、数据源与提示模板。可以把 MCP 理解为「AI 应用侧的 USB-C 接口」:服务器端声明自己提供哪些工具与资源,客户端无需为每个工具单独写适配代码即可调用。在安全场景中,这意味着 0 可以作为 MCP 服务器被接入 Claude、IDE 插件或其他智能体框架,由主智能体在推理过程中按需触发代码审计、逆向等能力,而不必人工切换工具。MCP 的局限在于工具调用的编排质量高度依赖宿主模型的规划能力,且跨工具的权限与审计边界目前仍缺少成熟规范。

开源策略背后的判断

安全工具的开源并不新鲜,但把 AI 安全 harness 整体开源的项目并不多。0sec Labs 的选择释放了两个信号:一是希望通过社区贡献扩展规则与检测能力,二是把「本地运行 + 自带模型」作为差异化卖点,而非靠模型本身建立壁垒。

对使用者来说,开源的直接好处是可审计性——安全工具本身也需要被安全检查。一个闭源的安全 AI 工具在逻辑上存在天然矛盾,0 的开放姿态至少在信任层面更站得住脚。

目前关于 0 的信息仍集中在功能层面,缺少性能基准、误报率数据和真实攻防场景的案例。评估这类工具时,建议先用公开代码库做小范围对照测试,再决定是否引入正式流程。

#0sec Labs#AI安全工具#开源安全框架#MCP服务器#代码审计#逆向工程#本地运行AI
分享:

相关推荐