a9320/code-risk-agent
GitHub: a9320/code-risk-agent
一款完全在本地 AMD GPU 上运行的 AI 驱动代码安全分析智能体，解决企业源代码无法上传云端的合规与隐私痛点。
Stars: 0 | Forks: 0
# CodeRisk Agent 🛡️
**AI 驱动的代码安全分析 — 完全在您的本地 AMD GPU 上运行**
[](https://www.python.org/downloads/)
[](LICENSE)
[](https://rocm.docs.amd.com/)
## 为什么选择 CodeRisk Agent？
企业需要 AI 驱动的代码安全方案，但**无法将源代码上传到云端服务**。合规性要求（HIPAA、GDPR）、知识产权和公司政策都严禁此类行为。
CodeRisk Agent 解决了这个问题：**深度 AI 分析 100% 在本地 AMD Radeon GPU 上运行**。代码永远不会离开本机。
| 功能 | Semgrep | 云端 AI (Copilot) | **CodeRisk Agent** |
|---------|---------|--------------------|--------------------|
| 本地执行 | ✅ | ❌ | ✅ |
| 理解代码逻辑 | ❌ | ✅ | ✅ |
| CVE/NVD 集成 | ❌ | ❌ | ✅ |
| 自学习记忆 | ❌ | ❌ | ✅ |
| 证据链 | 仅模式匹配 | 黑盒 | **完全可追溯** |
## 架构
```
User uploads code
↓
┌───────────────────┐
│ Orchestrator │ State machine: INIT → PARSE → ANALYZE → VERIFY → REPORT
└───────┬───────────┘
↓
┌───────┴────────┐
│ │
↓ ↓
Agent 1 Agent 2 ← Parallel execution
Static Analyzer Semantic Analyzer
(CPU + tools) (GPU + LLM)
│ │
└───────┬────────┘
↓
┌───┴───┐
│ Self- │ ← Agent 3 flags missed risks, triggers re-analysis
│Reflect│
└───┬───┘
↓
Agent 3 ← Triple cross-validation
Deep Verifier (Tool + Knowledge Base + Local CVE DB)
(GPU + LLM + Local DB)
↓
Agent 4 ← Structured reports
Report Generator (JSON + Markdown + Terminal)
↓
┌─────────────┐
│ Memory Layer │ Correct memory + Error memory
│ (JSON) │ "Learns" from every scan
└─────────────┘
```
### 四大 Agent
| Agent | 角色 | 计算 | 功能 |
|-------|------|---------|--------------|
| **Agent 1：静态分析器** | 模式匹配 | CPU | 27 条检测规则（缓冲区溢出、格式化字符串、双重释放、命令注入等） |
| **Agent 2：语义分析器** | LLM 驱动分析 | GPU | 验证发现结果，发现遗漏的漏洞，生成攻击场景 |
| **Agent 3：深度验证器** | 三重交叉验证 | GPU + CPU | CWE 知识库 + 本地 CVE 数据库 + 自反思循环 |
| **Agent 4：报告生成器** | 输出格式化 | CPU | JSON、Markdown、带有 CWE/CVE 可点击链接的 Rich 终端 |
### 独特之处
- **三重交叉验证** — 工具确认 + CWE 知识库 + 本地 CVE 数据库查询
- **自反思循环** — Agent 3 会问“我们漏掉了什么？”并重新进行分析
- **双重记忆** — 正确的模式提升置信度；错误模式抑制误报
- **证据链** — 每个风险都包含源代码片段、CWE 分类和推理分析
## 快速开始
### 前置条件
- Python 3.10+
- 支持 ROCm 的 AMD GPU（可选，用于 GPU 加速）
- Semgrep（可选，用于增强静态分析）
### 安装
```
git clone https://github.com/a9320/code-risk-agent.git
cd code-risk-agent
pip install -e .
```
### 配置
```
cp .env.example .env
# 编辑 .env 以配置 LLM backend
```
支持两种后端：
| 后端 | 用例 | 配置 |
|---------|----------|--------|
| `local_llama_cpp` | 本地 GPU 推理（推荐） | 将 `LOCAL_MODEL_PATH` 设置为 GGUF 文件 |
| `local_http` | 本地 llama-server | 设置 `LOCAL_HTTP_URL` |
### 数据准备（一次性设置）
首次使用前，请构建本地漏洞数据库：
```
# 下载 NVD CVE 数据 → data/vuln_db.sqlite（约 10-50MB）
python scripts/download_cve_data.py --years 2023 2024 2025 2026
# 下载 OSV 依赖项漏洞数据 → data/osv/（约 100MB）
python scripts/download_osv_data.py
```
### 用法
```
# 分析目录
code-risk analyze ./src/
# 分析单个文件
code-risk analyze vulnerable.c
# 快速演示（无 LLM，快速）
code-risk demo
# 显示配置
code-risk info
```
### 选项
```
code-risk analyze [options]
Options:
--no-ai Disable LLM semantic analysis (fast, CPU-only)
--semgrep-config Semgrep rules (default: p/default)
--output Output: terminal|json|md|all (default: terminal)
```
## 示例输出
```
═══════════════════════════════════════════════════════════
CodeRisk Agent — Analysis Report
═══════════════════════════════════════════════════════════
Files analyzed: 5
Total risks: 47
Analysis time: 2 min (GPU inference)
┌─────────┬──────────┬──────────────────────────────┐
│ Severity│ CWE │ Title │
├─────────┼──────────┼──────────────────────────────┤
│ CRITICAL│ CWE-120 │ Buffer overflow: strcpy() │
│ CRITICAL│ CWE-78 │ Command injection: system() │
│ HIGH │ CWE-415 │ Double free detected │
│ HIGH │ CWE-502 │ Unsafe deserialization │
│ MEDIUM │ CWE-476 │ NULL pointer dereference │
└─────────┴──────────┴──────────────────────────────┘
Each risk includes:
✓ Source code evidence with line numbers
✓ CWE classification with MITRE link
✓ CVE references with NVD link
✓ Concrete fix suggestion
═══════════════════════════════════════════════════════════
```
## ROCm GPU 加速
CodeRisk Agent 通过 ROCm/HIP 针对 AMD Radeon GPU 进行了优化。
### 性能
| 指标 | CPU | AMD GPU (HIP) | 提速 |
|--------|-----|---------------|---------|
| Token 生成 | 6.8 t/s | 105 t/s | **15.4×** |
| Prompt 处理 | ~40 t/s | 628 t/s | **15.7×** |
| VRAM 使用 | — | 41% (~19.6 GB / 48 GB) | — |
### 使用 ROCm 构建 llama.cpp
```
# 使用 HIP backend 克隆并构建
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
ROCM_PATH=/opt/rocm cmake -B build -DGGML_HIP=ON -DLLAMA_BUILD_SERVER=ON
cmake --build build --config Release -j$(nproc)
# 下载 Qwen2.5-Coder-32B-Instruct GGUF
huggingface-cli download Qwen/Qwen2.5-Coder-32B-Instruct-GGUF \
qwen2.5-coder-32b-instruct-q4_k_m.gguf --local-dir models/
# 运行推理
./build/bin/llama-server -m models/qwen2.5-coder-32b-instruct-q4_k_m.gguf -ngl 999 -fa 1
```
## 项目结构
```
code-risk-agent/
├── main.py # CLI entry point
├── orchestrator.py # State machine pipeline
├── agents/
│ ├── static_analyzer.py # Agent 1: Pattern matching (27 rules, C + Python)
│ ├── semantic_analyzer.py # Agent 2: LLM-driven analysis
│ ├── deep_verifier.py # Agent 3: Triple cross-validation
│ └── report_generator.py # Agent 4: Output formatting
├── core/
│ ├── models.py # Data models (Risk, CodeFile, etc.)
│ ├── llm_client.py # Unified LLM client (2 local backends)
│ ├── memory.py # Dual memory system
│ ├── cve_client.py # Local CVE database client (SQLite)
│ ├── semgrep_runner.py # Semgrep integration
│ ├── taint_analyzer.py # Data flow tracking
│ ├── dependency_scanner.py # Vulnerable dependency detection (local OSV data)
│ ├── attack_knowledge.py # CWE/ATT&CK knowledge base
│ └── retry.py # Unified retry policy
├── tests/
│ ├── test_static_analyzer.py
│ ├── test_cve_client.py
│ ├── test_llm_client.py
│ ├── test_memory.py
│ ├── test_schemas.py
│ └── test_cases/
│ ├── buffer_overflow.c
│ ├── command_injection.c
│ ├── memory_issues.c
│ ├── code_injection.py
│ └── sql_injection.py
├── docs/
│ ├── project-specification.md
│ ├── architecture-review.md
│ ├── module-analysis.md
│ ├── rocm-optimization.md
│ ├── demo-video-script.md
│ └── submission-checklist.md
├── data/ # Local vulnerability databases
│ ├── vuln_db.sqlite # CVE data (built by download_cve_data.py)
│ └── osv/
│ └── index.json # OSV data (built by download_osv_data.py)
├── scripts/
│ ├── run_demo.sh
│ ├── download_cve_data.py # NVD CVE database builder
│ └── download_osv_data.py # OSV vulnerability data builder
├── pyproject.toml
└── .env.example
```
## 测试
```
# 运行所有测试
pytest
# 运行并附带 coverage
pytest --cov=. --cov-report=html
```
包含 51 个单元测试，涵盖缓冲区溢出、命令注入、代码注入、反序列化以及安全代码检测。
## 技术栈
| 组件 | 技术 |
|-----------|-----------|
| 语言 | Python 3.12 |
| LLM | Qwen2.5-Coder-32B-Instruct (GGUF Q4_K_M) |
| LLM Runtime | 带 HIP 后端的 llama.cpp |
| 静态分析 | Regex + Semgrep |
| CVE 数据库 | 本地 SQLite（从 NVD 预先下载） |
| 依赖扫描 | 本地 OSV 数据 + 回退字典 |
| 记忆 | 基于 JSON 的双重记忆系统 |
| 输出格式 | JSON、Markdown、SARIF 2.1.0、Rich 终端 |
| CLI | Rich 终端 UI |
| GPU | AMD Radeon Pro W7900 (48GB) + ROCm 7.2.4 |
## 团队
| 成员 | 角色 |
|--------|------|
| **Yang Weike** | 队长 / 产品 / 安全测试 |
| **lolo** | 全栈开发 / 架构 |
## 许可证
MIT
## 已知限制
- **Radeon Cloud 容器：** HIP 后端需要 `GGML_HIP=ON`（而不是旧版的 `GGML_HIPBLAS=ON`）。在裸机系统上，这两个标志可能都有效。
- **语言支持：** 目前仅支持 C 和 Python。Java、Go 和 Rust 计划在未来版本中支持。
- **污点分析：** 仅限单函数变量跟踪。跨函数数据流需要调用图（已规划）。
- **记忆学习：** 需要 2 次或更多次扫描才能激活误报抑制。单次运行的结果可能包含已知的误报。
- **Semgrep 集成：** 需要单独安装 Semgrep CLI。系统在没有它的情况下也能工作，但会失去一层分析。
## 致谢
- [Qwen](https://github.com/QwenLM) 提供优秀的代码模型
- [llama.cpp](https://github.com/ggerganov/llama.cpp) 提供本地推理
- [Semgrep](https://semgrep.dev/) 提供静态分析规则
- [AMD](https://developer.amd.com/) 提供 Radeon Cloud 平台和黑客松
标签：AI智能体, 云安全监控, 安全大模型, 本地大模型, 逆向工具, 静态分析