DeepAudit AI多智能体代码审计项目学习与解读(一)

DeepAudit AI多智能体代码审计项目学习与解读(一)

DeepAudit是一个AI多智能体代码审计项目,截至2026.1.3日已在github斩获3.3k star,由于其特征为:多智能体+源码审计+自动化沙箱POC验证,我将其加入了我的学习计划,接下来我会基于这个项目去写一系列文章

项目地址:https://github.com/lintsinghua/DeepAudit

技术栈

后端(Python 3.11+)

  • Web 框架:FastAPI + uvicorn
  • 数据库:SQLAlchemy 2.0 + PostgreSQL + Redis
  • AI 框架:LangChain + LangGraph + LiteLLM
  • 向量数据库:ChromaDB
  • 代码解析:tree-sitter + tree-sitter-languages
  • 容器化:Docker SDK
  • 安全工具:Semgrep、Bandit、Gitleaks、Safety、npm audit

前端(React 18+)

  • 框架:React 18 + TypeScript 5.7+
  • UI 库:Radix UI + shadcn/ui + TailwindCSS
  • 路由:React Router
  • 状态管理:Zustand(隐式使用)
  • 图表:Recharts
  • 国际化:i18next

项目结构

后端目录结构 (backend/)

app/ 目录

  • app/api/ - API 接口定义,包含 v1 版本的 API 端点
  • app/core/ - 核心配置和安全相关功能
  • app/db/ - 数据库初始化、会话管理等
  • app/models/ - 数据库模型定义
  • app/schemas/ - Pydantic 数据验证模型
  • app/services/ - 业务逻辑服务层
    • app/services/agent/ - Multi-Agent 核心功能
      • app/services/agent/agents/ - 四大智能体(Orchestrator、Recon、Analysis、Verification)
      • app/services/agent/core/ - Agent 核心框架(状态管理、图控制器、注册表等)
      • app/services/agent/tools/ - 各种工具(沙箱、检索、外部安全工具等)
      • app/services/agent/knowledge/ - 知识库功能
      • app/services/agent/prompts/ - 提示词模板
      • app/services/agent/telemetry/ - 遥测和追踪功能
    • app/services/rag/ - RAG(检索增强生成)系统
      • app/services/rag/embeddings.py - 嵌入模型服务
      • app/services/rag/retriever.py - 检索器
      • app/services/rag/splitter.py - 代码切分器
    • app/services/llm/ - LLM 服务封装
    • app/services/report_generator.py - 报告生成服务
  • app/utils/ - 工具函数

前端目录结构 (frontend/)

src/ 目录

  • src/app/ - 应用主入口和路由配置
  • src/components/ - 可复用的UI组件库
  • src/features/ - 特定功能模块组件
  • src/hooks/ - 自定义 React hooks
  • src/pages/ - 页面组件
    • src/pages/AgentAudit/ - Agent 审计相关页面
    • src/pages/prompt-manager/ - 提示词管理页面
  • src/shared/ - 共享的功能模块和上下文

Docker 相关目录 (docker/)

docker/sandbox/ 目录

  • docker/sandbox/Dockerfile - 沙箱环境 Docker 配置
  • docker/sandbox/seccomp.json - 沙箱安全配置文件
  • docker/sandbox/build.sh - 沙箱镜像构建脚本

文档目录 (docs/)

docs/ 目录

  • docs/AGENT_AUDIT_ARCHITECTURE.md - Agent 审计架构文档
  • docs/ARCHITECTURE.md - 系统架构文档
  • docs/CONFIGURATION.md - 配置文档
  • docs/DEPLOYMENT.md - 部署文档
  • docs/LLM_PROVIDERS.md - LLM 提供商文档
  • docs/images/ - 文档图片

规则目录 (rules/)

  • rules/SeletItem.yml - 审计规则定义

脚本目录 (scripts/)

  • 包含各种启动和配置脚本

Supabase 目录 (supabase/)

  • supabase/migrations/full_schema.sql - Supabase 数据库模式

环境配置

  • docker-compose.yml - Docker Compose 配置
  • docker-compose.prod.yml - 生产环境 Docker Compose 配置
  • backend/.env.example - 后端环境变量示例,可以配置LLM provider和api key
  • frontend/.env.example - 前端环境变量示例

项目配置

  • backend/pyproject.toml - Python 项目配置
  • backend/requirements.txt - Python 依赖
  • frontend/package.json - 前端项目配置
  • frontend/pnpm-lock.yaml - 前端依赖锁定

部署

win11+docker+本地ollama

  • 下载项目

    复制代码
    git clone https://github.com/lintsinghua/DeepAudit.git
    cd DeepAudit
  • 复制backend/env.example到backend/.env

  • docker运行

    复制代码
    docker compose up -d

但是中途在frontend的容器启动出现了以下问题: frontend-1 | exec /docker-entrypoint.sh: no such file or directory frontend-1 | exec /docker-entrypoint.sh: no such file or directory frontend-1 | exec /docker-entrypoint.sh: no such file or directory frontend-1 | exec /docker-entrypoint.sh: no such file or directory frontend-1 | exec /docker-entrypoint.sh: no such file or directory

发现问题出现在:

frontend/docker-entrypoint.sh 文件在 Windows 环境下创建时使用了 CRLF(\r\n)行分隔符,而 Linux 容器中的 Nginx 镜像期望的是 Unix 风格的 LF(\n)行分隔符。这导致容器无法正确执行脚本,出现 "exec

/docker-entrypoint.sh: no such file or directory" 错误。

于是我让IFLOW CLI替我重新创建了 Unix 风格的docker-entrypoint.sh 文件

使用

从backend容器的日志中得到用户名密码:

进入界面:

在系统管理页面设置LLM并测试连接(连接成功后注意保存):

创建项目:

在Agent审计的输入框中输入audit然后选择项目进行初始化:

然后查看审计流程,流程如下:

  • 初始化RAG系统

  • 开始编排审计流程

  • 调度 recon Agent:

  • 调度 analysis Agent

  • 最后生成报告:

存在问题:

  • 全程发现只调用了readfile 和listfile工具
  • 这个项目我实际上通过污点分析工具发现至少是存在xss、文件上传、ip伪造的
  • 项目中的配置文件也存在硬编码,也在Recon中发现了但实际上并没有报告这个问题,而且Recon进行依赖分析后得到的结果为空

尝试使用智谱AI的GLM-4.7进行测试:

最后得到:

智谱AI消耗33万多的token

发现的5个漏洞经过手工验证,只有第一个是正确的,而这个恰好是DeepAudit自己经过验证的,另外四个均为未验证,并且其中两个被标记为误报,另外两个则需要自行验证(但置信度为仅60%)

成功的这个:

花费33万token仅发现这一个问题显然有问题,检查发现可能是某些工具没有正常得到结果,比如semgrep得到的结果为空,内部使用的提示词也比较简单

总结

目前看来,DeepAudit是非常值得学习的,也发现了一些问题,比如

  • 工具也许没有正常调用导致agnet无法得到更细致的分析,需要深入学习代码
  • 可能需要更好的大模型,不然难以正确调用工具
  • 提示词可能比较简单

发现的优点:

  • 不错的GUI
  • 多agent编排+RAG+自动化沙箱验证
  • 允许使用不同的LLM Provider和嵌入模型

基于该项目做二次开发也许会是一个不错的选择

相关推荐
VIP_CQCRE2 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
泯泷3 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
oak隔壁找我4 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁014 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
Csvn4 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent
在所不辞兄5 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
锋行天下6 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
黄啊码6 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下7 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
大模型真好玩7 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek