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:開源AI驅動的程式碼漏洞自動化挖掘平臺

Kritt-ai/open-kritt

自託管的AI安全研究工具,通過編排多智慧體並行分析程式碼庫,自動發現、驗證和排序真實漏洞,已助力團隊賺取150萬美元漏洞賞金

成熟度：維護活躍,最近提交0天前,38個open issues,v1.3.0版本於10天前釋出

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

解決什麼

傳統AI程式碼審計工具常直接讓大模型掃描整個程式碼庫,結果往往誤報率高且缺乏深度。Open-Kritt採用"分而治之"策略:將安全研究拆解為聚焦的小任務,通過多個AI智慧體並行執行,再將輸出合併為可驗證、可排序的漏洞發現。平臺提供完整的工作流編排能力,從程式碼分析到PoC生成全程自動化,並內建去重和嚴重性評級機制。專案由賺取超150萬美元漏洞賞金的Blockian團隊開源,是其內部工具的社群版本。

為何火

該專案在GitHub獲得1650星標,核心吸引力在於三點:一是真金白銀驗證的方法論(團隊在Immunefi、HackenProof等平臺累計賺取150萬美元),二是完全自託管架構滿足安全研究的隱私需求,三是靈活的工作流系統允許研究人員自定義prompt鏈和驗證指令碼。相比商業工具的黑盒掃描,它給予使用者對提示詞、模型選擇和基礎設施的完全控制權,特別適合需要定製化研究流程的專業團隊。

核心功能

  • 工作流構建器:通過視覺化介面串聯多個prompt步驟,建立可複用的安全研究playbook
  • 多源掃描:支援GitHub遠端倉庫和原生代碼庫,自動分析依賴項,可接入Codex或Claude Code
  • 智慧體驗證:執行後置指令碼自動驗證漏洞真實性,構建概念驗證程式碼並生成報告
  • 結果最佳化:應用自定義嚴重性排序器,統一漏洞schema格式,自動去除重複發現
  • 多模型支援:可使用Codex登入或通過OpenAI、Anthropic、OpenRouter API接入不同模型
  • 隔離執行環境:每個分析任務執行在獨立Docker容器中,工具可聯網安裝依賴、編譯目標程式

安裝

需要Git、Docker Compose和Node.js 20+環境,通過本地CLI完成配置:

git clone https://github.com/Kritt-ai/open-kritt
cd open-kritt
./kritt setup  # 互動式配置模型訪問金鑰
./kritt start

訪問 http://localhost:5173 開啟前端介面。./kritt setup會引導配置至少一種AI模型訪問方式(Codex登入或API金鑰),可選配置GITHUB_TOKEN用於私有倉庫。預設埠繫結127.0.0.1,後端無內建認證機制,務必在內網或VPN環境執行。

適合誰

  • 漏洞賞金獵人:需要批次分析目的碼庫,自動化發現高價值漏洞的獨立研究者
  • 安全團隊:希望自建AI輔助審計流程,保留程式碼隱私且可定製檢測規則的企業
  • 開源專案維護者:想對自己的專案進行深度安全掃描,驗證潛在風險的開發者
  • 安全研究人員:需要可程式設計的AI智慧體框架,測試新型漏洞檢測方法的學術或商業研究人員

不適合對Docker和安全隔離不熟悉的普通開發者,工具容器以root許可權執行且可聯網,需在專用虛擬機器或隔離環境部署。

社群評價

暫無足量社群公開討論,以下為基於專案本身的中立評估:專案在HN釋出Show HN帖但未引發熱議,可能因釋出時間較短(7月20日建立)。從技術實現看,其多智慧體編排思路與LangChain等框架類似但更聚焦安全領域,AGPL-3.0協議選擇顯示團隊希望防止閉源商業化。38個open issues中包含功能請求和bug報告,顯示活躍的使用者反饋但也暴露早期專案的穩定性挑戰。文件採用Mint框架搭建較為完善,威脅模型文件透明披露了容器逃逸等風險。

選型對比

vs Snyk Code/Checkmarx(商業SAST工具):商業工具提供開箱即用的規則庫和企業級支援,但掃描邏輯黑盒且按程式碼量收費。Open-Kritt優勢在於完全透明的工作流定義和自託管資料隱私,劣勢是需要自行調優prompt和承擔AI API成本,且缺少預置的漏洞知識庫。

vs Semgrep(開源靜態分析):Semgrep基於規則匹配速度快且確定性高,Open-Kritt依賴LLM推理更靈活但可能產生幻覺。兩者可互補使用:Semgrep做初篩,Open-Kritt做深度邏輯漏洞挖掘。

vs CodeQL(GitHub官方):CodeQL查詢語言學習曲線陡峭但精度高,Open-Kritt用自然語言prompt降低門檻,適合快速實驗新檢測思路,但結果可靠性需人工複核。

已知坑

  1. 無應用層認證:後端預設無密碼保護,文件明確要求繫結127.0.0.1或部署在隔離網路,公網暴露存在嚴重風險
  2. 容器安全風險:工具智慧體以root許可權執行且可聯網,掃描惡意構造的程式碼庫可能導致容器逃逸,威脅模型文件建議使用專用Docker主機
  3. 儲存空間管理:預設要求20GB可用空間才啟動掃描,可通過ENGINE_IGNORE_LOW_STORAGE繞過但可能撐爆磁碟
  4. AI成本不透明:多智慧體並行呼叫API費用可能快速累積,缺少成本預估和限額機制
  5. 中國網路環境:依賴OpenAI/Anthropic等需梯子的服務,Codex登入機制可能受地區限制,建議優先配置OpenRouter作為中轉
  6. AGPL傳染性:若基於此專案提供網路服務(如內部平臺),修改程式碼必須開源,商業化需謹慎評估許可證影響

安装方式：docker compose

← 浏览全部项目