AiDuo123 Logo
简体|繁體
充值登录注册
★ 1,650· 289 forks· JavaScript· AGPL-3.0自托管

Open-Kritt:开源AI驱动的代码漏洞自动化挖掘平台

Kritt-ai/open-kritt

自托管的AI安全研究工具,通过编排多智能体并行分析代码库,自动发现、验证和排序真实漏洞,已助力团队赚取150万美元漏洞赏金

成熟度：维护活跃,最近提交0天前,38个open issues,v1.3.0版本于10天前发布

GitHub 仓库 → HN 讨论 · 2 点对标：Snyk Code、Checkmarx

项目体检

部署 · docker compose一键启动,前端5173端口+后端3002端口+PostgreSQL 5432端口,默认绑定127.0.0.1本地访问,需手动运行./kritt setup配置模型密钥

成本 · 需至少一种AI模型访问方式(CODEX_API_KEY/OPENAI_API_KEY/ANTHROPIC_API_KEY/OPENROUTER_API_KEY),可选GITHUB_TOKEN用于私有仓库,PostgreSQL数据库自动配置,工具容器需root权限和互联网访问

技术 · 前端JavaScript+Vite,后端Node.js(端口3002),数据库PostgreSQL,Docker多容器编排,智能体运行在独立job容器内

许可 · AGPL-3.0协议,网络服务需开源修改代码,商用需遵守copyleft条款,修改后通过网络提供服务必须公开源码

活跃 · 高度活跃:v1.3.0版本10天前发布,最近提交当天,8位贡献者,38个待解决issues显示持续迭代

解决什么

传统AI代码审计工具常直接让大模型扫描整个代码库,结果往往误报率高且缺乏深度。Open-Kritt采用"分而治之"策略:将安全研究拆解为聚焦的小任务,通过多个AI智能体并行执行,再将输出合并为可验证、可排序的漏洞发现。平台提供完整的工作流编排能力,从代码分析到PoC生成全程自动化,并内置去重和严重性评级机制。项目由赚取超150万美元漏洞赏金的Blockian团队开源,是其内部工具的社区版本。

为何火

该项目在GitHub获得1650星标,核心吸引力在于三点:一是真金白银验证的方法论(团队在Immunefi、HackenProof等平台累计赚取150万美元),二是完全自托管架构满足安全研究的隐私需求,三是灵活的工作流系统允许研究人员自定义prompt链和验证脚本。相比商业工具的黑盒扫描,它给予用户对提示词、模型选择和基础设施的完全控制权,特别适合需要定制化研究流程的专业团队。

核心功能

  • 工作流构建器:通过可视化界面串联多个prompt步骤,创建可复用的安全研究playbook
  • 多源扫描:支持GitHub远程仓库和本地代码库,自动分析依赖项,可接入Codex或Claude Code
  • 智能体验证:执行后置脚本自动验证漏洞真实性,构建概念验证代码并生成报告
  • 结果优化:应用自定义严重性排序器,统一漏洞schema格式,自动去除重复发现
  • 多模型支持:可使用Codex登录或通过OpenAI、Anthropic、OpenRouter API接入不同模型
  • 隔离执行环境:每个分析任务运行在独立Docker容器中,工具可联网安装依赖、编译目标程序

安装

需要Git、Docker Compose和Node.js 20+环境,通过本地CLI完成配置:

git clone https://github.com/Kritt-ai/open-kritt
cd open-kritt
./kritt setup  # 交互式配置模型访问密钥
./kritt start

访问 http://localhost:5173 打开前端界面。./kritt setup会引导配置至少一种AI模型访问方式(Codex登录或API密钥),可选配置GITHUB_TOKEN用于私有仓库。默认端口绑定127.0.0.1,后端无内置认证机制,务必在内网或VPN环境运行。

适合谁

  • 漏洞赏金猎人:需要批量分析目标代码库,自动化发现高价值漏洞的独立研究者
  • 安全团队:希望自建AI辅助审计流程,保留代码隐私且可定制检测规则的企业
  • 开源项目维护者:想对自己的项目进行深度安全扫描,验证潜在风险的开发者
  • 安全研究人员:需要可编程的AI智能体框架,测试新型漏洞检测方法的学术或商业研究人员

不适合对Docker和安全隔离不熟悉的普通开发者,工具容器以root权限运行且可联网,需在专用虚拟机或隔离环境部署。

社区评价

暂无足量社区公开讨论,以下为基于项目本身的中立评估:项目在HN发布Show HN帖但未引发热议,可能因发布时间较短(7月20日创建)。从技术实现看,其多智能体编排思路与LangChain等框架类似但更聚焦安全领域,AGPL-3.0协议选择显示团队希望防止闭源商业化。38个open issues中包含功能请求和bug报告,显示活跃的用户反馈但也暴露早期项目的稳定性挑战。文档采用Mint框架搭建较为完善,威胁模型文档透明披露了容器逃逸等风险。

选型对比

vs Snyk Code/Checkmarx(商业SAST工具):商业工具提供开箱即用的规则库和企业级支持,但扫描逻辑黑盒且按代码量收费。Open-Kritt优势在于完全透明的工作流定义和自托管数据隐私,劣势是需要自行调优prompt和承担AI API成本,且缺少预置的漏洞知识库。

vs Semgrep(开源静态分析):Semgrep基于规则匹配速度快且确定性高,Open-Kritt依赖LLM推理更灵活但可能产生幻觉。两者可互补使用:Semgrep做初筛,Open-Kritt做深度逻辑漏洞挖掘。

vs CodeQL(GitHub官方):CodeQL查询语言学习曲线陡峭但精度高,Open-Kritt用自然语言prompt降低门槛,适合快速实验新检测思路,但结果可靠性需人工复核。

已知坑

  1. 无应用层认证:后端默认无密码保护,文档明确要求绑定127.0.0.1或部署在隔离网络,公网暴露存在严重风险
  2. 容器安全风险:工具智能体以root权限运行且可联网,扫描恶意构造的代码库可能导致容器逃逸,威胁模型文档建议使用专用Docker主机
  3. 存储空间管理:默认要求20GB可用空间才启动扫描,可通过ENGINE_IGNORE_LOW_STORAGE绕过但可能撑爆磁盘
  4. AI成本不透明:多智能体并行调用API费用可能快速累积,缺少成本预估和限额机制
  5. 中国网络环境:依赖OpenAI/Anthropic等需梯子的服务,Codex登录机制可能受地区限制,建议优先配置OpenRouter作为中转
  6. AGPL传染性:若基于此项目提供网络服务(如内部平台),修改代码必须开源,商业化需谨慎评估许可证影响

安装方式：docker compose

← 浏览全部项目