YashvantHange/AgentArmor

# AgentArmor **AI 安全的护甲** — 持续测试、审计和红队测试 LLM API、agents、MCP servers 和 RAG 系统。 AgentArmor 会对您的 AI 技术栈运行结构化的安全探测，使用企业风险模型（0–100）对发现的问题进行评分，将结果映射到 **OWASP LLM Top 10**，并为开发人员和安全团队导出报告（SARIF、HTML、PDF、CSV）。 **最新版本：** [v1.3.1](https://github.com/YashvantHange/AgentArmor/releases/tag/v1.3.1) · [更新日志](CHANGELOG.md) ## AgentArmor 的功能 | 功能 | 描述 | |------------|-------------| | **Endpoint 扫描** | 测试任何兼容 OpenAI 或自动检测的 chat API URL | | **云服务提供商** | 通过 LiteLLM 支持 OpenAI、Anthropic、Gemini 等 | | **本地模型** | 离线扫描 `.gguf` 和 HuggingFace 模型 | | **Agent / MCP / RAG** | 针对 tool-calling agents、MCP servers 和检索 pipelines 的安全探测 | | **L0 自适应攻击** | 每个攻击目标（越狱、prompt 泄露、数据渗出）有 100+ 种突变变体 | | **自博弈红队测试** | 攻击者 → 目标 → 裁决者循环，用于发现静态探测遗漏的漏洞 | | **基准测试** | 比较模型和工具（AgentArmor 对比 PyRIT、Garak、Promptfoo、Inspect AI） | | **市场** | 安装社区探测和 OWASP 包 | | **监控** | 带有漂移检测的计划重扫 | | **CI/CD** | GitHub Action + `agentarmor gate`，用于 pipeline 的安全门禁 | **Windows 上的最终用户：** 下载 [发布版安装程序](https://github.com/YashvantHange/AgentArmor/releases/latest)，双击并运行扫描 — 无需安装 Python、Rust 或 Node。 **开发者 / CLI 用户：** 需要 Python 3.10+。Rust 仅用于编译可选的原生签名引擎或自行构建 Tauri GUI。 ## 快速安装 ### Windows 桌面版（推荐） 1. 从 [Releases](https://github.com/YashvantHange/AgentArmor/releases/latest) 下载 **`AgentArmor_1.3.1_x64-setup.exe`** 或 **`.msi`** 2. 运行安装程序 3. 打开 **AgentArmor** → 选择扫描类型（API、本地模型、Agent、MCP、RAG、基准测试） 4. 配置目标 → 运行扫描 → 查看发现的问题 → 导出报告 便携模式：在可执行文件旁放置一个名为 `PORTABLE` 的文件；数据将存储在 `./data/` 中。 ### CLI（所有平台） ``` pip install agentarmor # 可选：离线本地模型扫描 pip install agentarmor[local] # 一次性检测模型下载 agentarmor models download ``` ### Docker ``` docker build -f docker/Dockerfile -t agentarmor/agentarmor . docker run -p 8787:8787 agentarmor/agentarmor ``` ## 使用示例 ### 扫描 API endpoint ``` # OpenAI 兼容的 chat API（使用 DevTools 中的 POST URL，而不是 HTML 页面） agentarmor scan --url http://localhost:8000/v1/chat/completions # 云服务提供商 export OPENAI_API_KEY=sk-... agentarmor scan --provider openai # 结合云情报扩充 + 自博弈 red teaming agentarmor scan --url https://api.example.com/v1/chat/completions \ --analysis-mode cloud \ --self-play-enabled ``` ### 扫描 agents、MCP 和 RAG ``` agentarmor scan --agent crewai --agent-config agent.toml agentarmor scan --mcp ./filesystem-mcp agentarmor scan --rag ./corpus --embedder bge ``` ### 本地模型（离线） ``` pip install agentarmor[local] agentarmor scan --model llama-3.gguf agentarmor scan --model ./models/qwen3 ``` ### 基准测试 ``` # 模型排行榜 agentarmor benchmark --providers openai,anthropic,gemini --suite owasp # 工具比较 agentarmor benchmark tools --suite owasp-llm01 --targets corpus ``` ### 生态系统 (v1.2) ``` agentarmor marketplace list agentarmor marketplace install roleplay-injection agentarmor monitor add "Daily API" --url https://api.example.com/v1/chat/completions --cron daily agentarmor monitor run agentarmor dataset export -o research.jsonl --anonymize ``` ### 报告和 CI 门禁 ``` agentarmor scan --url http://localhost:8000/v1/chat/completions --format html,sarif,pdf -o ./reports/ agentarmor gate --sarif ./reports/findings.sarif --fail-on HIGH,CRITICAL ``` ### 配置文件 ``` agentarmor scan --config AgentArmor.toml ``` 请参阅 [AgentArmor.toml](AgentArmor.toml) 了解 endpoint 配置、L0 攻击目标、检测模式和插件目录。 ## 桌面 GUI Tauri v2 GUI 包含： | 屏幕 | 用途 | |--------|---------| | **主页** | 扫描类型选择器 + 基准测试快捷方式 | | **Chatbot 向导** | 带有离线/云端分析的引导式 API 扫描 | | **扫描进度** | 实时 SSE 探测流 | | **发现问题** | 风险评分、攻击链、证据图 | | **报告** | 导出 HTML、SARIF、PDF、CSV、JSON | | **基准测试** | 模型排行榜 + 工具比较 | | **市场** | 安装社区探测 | | **监控** | 计划任务、漂移警报、数据集导出 | | **设置** | L0、自博弈、检测、API keys | 仅适用于 GUI 开发（最终用户不需要）： ``` agentarmor serve --port 8787 cd gui && npm install && npm run dev # http://localhost:1420 ``` 请参阅 [gui/README.md](gui/README.md) 获取 Tauri 构建说明。 ## API 服务器 ``` agentarmor serve --port 8787 ``` | Endpoint | 描述 | |----------|-------------| | `GET /health` | Sidecar 状态 | | `POST /v1/scans` | 启动扫描 | | `GET /v1/scans/{id}` | 扫描状态 + 元数据 | | `GET /v1/scans/{id}/events` | SSE 实时进度 | | `GET /v1/findings` | 列出发现的问题 | | `POST /v1/benchmarks` | 运行基准测试 | | `GET /v1/marketplace/rules` | 列出市场包 | | `POST /v1/monitoring/schedules` | 创建监控计划任务 | | `POST /v1/datasets/export` | 导出研究 JSONL | ## GitHub Action (CI/CD) ``` name: AI Security Scan on: [push, pull_request] jobs: agentarmor: runs-on: ubuntu-latest steps: - uses: YashvantHange/AgentArmor/action@v1 with: url: https://api.example.com/v1/chat/completions fail-on: HIGH,CRITICAL ``` 请参阅 [action/action.yml](action/action.yml)。 ## 服务商 API Keys | 服务商 | 环境变量 | |----------|---------------------| | OpenAI | `OPENAI_API_KEY` | | Anthropic | `ANTHROPIC_API_KEY` | | Gemini | `GEMINI_API_KEY` | | Mistral | `MISTRAL_API_KEY` | | Groq | `GROQ_API_KEY` | | Together | `TOGETHER_API_KEY` | | OpenRouter | `OPENROUTER_API_KEY` | | Azure | `AZURE_API_KEY`, `AZURE_API_BASE` | | Bedrock | `AWS_*` 凭据 | 云端增强和自博弈需要用于分析服务商的 API key（在 GUI 设置或 `AgentArmor.toml` 中配置）。 ## 自定义探测 使用 SDK 编写探测并将其发布到您的本地市场： ``` agentarmor marketplace validate probes/custom_probe.py agentarmor marketplace publish probes/custom_probe.py --id my.probe --name "My Probe" ``` 请参阅 [probes/custom_probe.py](probes/custom_probe.py) 和 `agentarmor.sdk.probe_sdk`。 ## macOS 目前还没有原生的 Mac `.app`（优先开发 Windows 桌面版）。请使用 PyPI + CLI 或开发版 GUI： ``` pip install agentarmor agentarmor models download agentarmor serve --port 8787 ``` 请参阅 [docs/MAC.md](docs/MAC.md)。 ## 开发 ``` git clone https://github.com/YashvantHange/AgentArmor.git cd AgentArmor pip install -e ".[dev]" pytest ``` 可选的原生 L1 引擎（需要 Rust）： ``` cd native/l1_signatures && pip install maturin && maturin develop --release ``` 如果没有 Rust，将自动使用 Python L1 回退方案。 Windows 安装程序构建（维护者）： ``` powershell -File packaging/build-installer.ps1 ``` ## 许可证 请参阅仓库的许可证文件。

标签：AI安全, Chat Copilot, DLL 劫持, 可视化界面, 大语言模型, 红队评估, 请求拦截, 逆向工具