从"以AI治理AI"出发，构建新一代AI数字供应链安全体系
人工智能正在重新定义软件。
过去，软件主要由人编写、由人测试、由人部署；今天，越来越多的代码开始由大模型辅助生成，越来越多的研发任务开始交由AI智能体规划和执行，越来越多的企业业务开始通过模型、插件、MCP工具和外部服务连接起来。
软件研发正在从"人使用工具"迈向"人与AI共同研发"，并进一步走向"AI自主参与软件生产"。
这场变化带来了前所未有的效率红利。
开发人员可以通过自然语言快速生成代码，产品团队可以在更短时间内完成原型验证，企业可以利用AI智能体自动完成代码修改、测试、部署、数据分析和业务流程编排。过去需要数天甚至数周完成的研发任务，如今可能被压缩到数小时。
但与此同时，一个更加根本的问题也随之出现：
当AI开始编写代码、调用工具、访问数据、修改系统并执行任务，谁来保证AI生成的代码是安全的？谁来判断智能体调用的工具是否可信？谁来识别隐藏在复杂业务流程中的越权、绕过与逻辑缺陷？谁来阻止风险从一段生成代码、一个开源组件或一个MCP工具向整个企业系统扩散？
AI提升了软件生产力，也放大了软件风险。
这意味着，企业需要的不再只是一款传统代码扫描工具，而是一套能够理解AI原生研发方式、适配智能体运行逻辑、覆盖软件与AI供应链的新型安全治理体系。
如果说Anthropic Mythos所代表的是一种围绕AI智能体能力、工具调用和组织级应用构建的新型技术范式，那么在中国企业安全领域，真正需要出现的，是一套面向本土产业环境、企业研发流程、数据安全要求和软件供应链风险构建的AI安全治理体系。
从这一意义上看，中国版Anthropic Mythos，不应是对某一国外产品的简单复制，而应是一种新的产业定位：
它必须理解中国企业的软件研发环境，必须具备扎实的软件供应链安全能力，必须能够治理AI生成代码和智能体工具链风险，必须能够真正进入企业的IDE、代码仓库、CI/CD流水线和项目管理系统，并最终把AI安全能力转化为可落地、可运营、可审计、可持续的企业安全能力。
悬镜安全正在给出这一中国答案。
一、中国版Anthropic Mythos，不是一个单点工具
在AI时代，安全问题正在从单一漏洞问题演变为复杂的系统性风险。
过去，企业开展代码安全建设时，关注点通常集中在SQL注入、命令注入、跨站脚本、路径遍历等常见漏洞上。安全团队通过SAST、DAST、IAST等工具发现问题，再由开发人员进行修复。
这种模式建立在一个基本前提之上：代码主要由开发人员编写，软件运行边界相对清晰，应用调用关系相对稳定，安全问题可以通过规则、特征或测试行为进行识别。
但AI原生研发打破了这一前提。
首先，代码来源发生了变化。
AI Coding和Vibe Coding不断普及，开发人员可以通过提示词让模型生成函数、接口、数据处理逻辑甚至完整业务模块。AI生成代码的效率很高，但其安全性并没有天然保障。模型可能生成存在漏洞的代码，也可能复用过时、错误或存在风险的实现方式。
其次，执行主体发生了变化。
在AI Agent场景中，模型不再只提供文本建议，而是可以自主拆解任务、选择工具、调用接口、读写文件、访问数据库甚至触发外部系统。智能体获得的权限越多，其潜在影响范围就越大。
再次，供应链结构发生了变化。
企业引入的不只是代码和开源组件，还包括基础模型、行业模型、智能体框架、Skills插件、MCP Server、外部API、知识库和第三方服务。任何一个环节出现投毒、恶意修改、权限滥用或敏感信息泄露，都可能沿调用链向业务系统传播。
最后，风险形态也发生了变化。
传统规则可以识别某些明确的危险函数，却很难判断一个订单接口是否存在越权，很难理解审批状态是否可以被绕过，也很难发现某个工具描述被恶意修改后是否会诱导智能体调用错误服务。
因此，中国版Anthropic Mythos不能只是一款"AI版SAST"，也不能只是一个增加了大模型问答能力的安全平台。
它需要同时具备代码理解、程序分析、业务语义分析、多Agent协同推理、工具链检测、供应链风险识别、智能修复和全流程治理能力。
它不是在传统安全产品上增加一个AI按钮，而是要从底层重新思考AI时代的安全治理方式。
二、从"人写代码"到"AI参与生产"，安全边界正在重构
软件已经成为企业最重要的数字生产资料之一。
金融机构通过软件完成支付、授信和风险控制，汽车企业通过软件管理车联网、智能座舱和供应链协同，运营商通过软件支撑网络服务与用户运营，能源、医疗、政务和工业企业也都在不断提升软件定义业务的程度。
软件研发效率，直接影响企业创新速度；软件安全水平，也直接决定企业业务连续性和数字资产安全。
传统的软件开发生命周期通常包括需求、设计、编码、测试、构建、发布和运营等阶段。过去，安全团队往往在测试阶段甚至上线前才开始集中发现问题。
这种安全后置模式已经长期面临三个困难。
第一，发现问题太晚。
漏洞进入测试或生产阶段后，往往已经涉及多个模块和上下游系统。此时修复不仅需要修改代码，还可能需要重新测试、重新发布和重新评估业务影响。
第二，安全与研发协同成本高。
安全团队关注风险，研发团队关注交付。大量误报和缺乏上下文的告警，会让开发人员逐渐失去处理意愿，最终形成"安全发现问题、研发质疑问题、双方反复沟通"的局面。
第三，传统工具难以理解复杂业务。
传统SAST主要依赖预置规则、抽象语法树、控制流和数据流分析。这些技术依然重要，但面对跨接口、跨服务、跨数据层的业务逻辑问题时，仅依靠固定规则往往难以准确识别。
AI原生研发进一步放大了这些困难。
当开发人员每天通过AI生成大量代码时，安全团队不可能逐行人工审核；当智能体能够连续调用多个工具时，安全团队也无法只检查单个接口；当模型生成的代码快速进入流水线时，传统周期性扫描难以满足实时治理需求。
企业需要把安全能力推进到代码生成和研发执行的源头。
安全需要出现在开发人员输入提示词之后、代码进入项目之前，也需要出现在代码提交、合并、构建、发布和运行的关键节点。
这正是悬镜安全提出"以AI治理AI"的现实基础。
三、"以AI治理AI"，不是口号，而是新的技术逻辑
AI生成的复杂性，需要由AI理解；智能体带来的动态风险，也需要由智能体进行分析和验证。
但"以AI治理AI"并不意味着完全依赖大模型，更不意味着用模型的概率性输出替代严谨的程序分析。
真正可靠的AI安全治理，需要将传统安全技术与AI智能能力进行深度融合。
悬镜灵脉CodeAI采用的是"静态分析+多Agent智能推理+AI辅助治理"的融合技术路线。
在底层，平台仍然通过词法分析、语法分析和语义分析建立程序模型，生成抽象语法树、符号表和中间表示，并构建控制流、数据流、调用关系及定义---使用关系。
这些能力负责回答"代码是如何执行的""数据从哪里进入""经过哪些函数""最终流向哪里"等基础问题。
在此基础上，灵脉CodeAI通过过程间污点跟踪、规则检测和大量缺陷检测器，对已知安全缺陷、质量问题和编码规范风险进行规模化识别。
但平台并未停留在规则检测层。
针对传统规则难以覆盖的复杂风险，灵脉CodeAI进一步引入AI漏洞挖掘Agent和AI业务逻辑漏洞检测Agent。
AI漏洞挖掘Agent能够理解项目结构、技术栈、路由接口、中间件、认证机制、外部依赖和敏感资产，并围绕潜在攻击面主动提出漏洞假设。
AI业务逻辑漏洞检测Agent则围绕身份、权限、资源、操作和业务状态建立安全模型，分析权限校验、业务流程、状态迁移、金额约束、次数限制和资源归属关系。
AI不再只是对扫描结果进行文字解释，而是参与攻击面建模、任务规划、代码检索、链路追踪、风险研判和修复建议生成。
这使安全检测从"根据已有规则寻找问题"，转向"理解系统并主动探索问题"。
四、真正的代码安全智能体，需要会思考，也需要讲证据
大模型能够理解代码，但如果缺乏程序分析结果和证据约束，也可能产生没有代码依据的判断。
因此，企业级AI安全产品不能只追求"会回答"，更要追求"可验证"。
灵脉CodeAI强调证据化风险研判。
在AI漏洞挖掘过程中，平台会分析项目目录、接口入口、调用关系、危险函数和关键数据流，跨文件、跨类、跨层级追踪从Source到Sink的传播路径。
对于疑似漏洞，系统不仅输出漏洞名称，还需要给出漏洞位置、触发条件、关键调用链、危险操作、影响分析、风险等级和修复建议。
同时，平台通过多Agent对抗式验证提升结论可靠性。
攻击视角Agent负责构造潜在利用路径，判断攻击者是否可能控制输入、绕过限制并触发危险行为；防御验证Agent则反向检查参数校验、权限控制、净化函数、异常分支和业务限制是否真实存在。
双方围绕同一风险进行交叉分析，最终结合可达性、利用复杂度和证据完整度形成风险结论。
这类机制解决了AI安全产品必须面对的核心问题：模型不仅要给出答案，还要说明答案从何而来。
对于企业安全团队而言，可解释性并不是附加功能。
如果一个高危告警无法说明漏洞入口、调用路径和触发条件，开发人员就很难确认问题，也很难准确修复。只有把AI判断转化为可复核的代码证据，才能真正进入企业漏洞治理流程。
五、从技术漏洞走向业务逻辑漏洞，是安全能力的重要跨越
传统代码安全工具更擅长识别语法级和数据流级风险，例如不安全函数调用、输入未过滤、敏感数据泄露或危险文件操作。
但企业真正严重的风险，往往隐藏在业务逻辑中。
例如，一个用户是否可以读取另一个用户的订单？普通员工是否能够调用管理员接口？退款流程是否可以跳过审批？优惠权益是否能够重复领取？支付金额是否可以被客户端参数修改？一个已经关闭的订单是否仍然可以进入后续状态？
这些问题通常不会表现为一个明确的危险函数。
代码可能能够正常编译，接口也可以正常运行，单个函数看起来甚至完全合理。风险隐藏在角色、资源、状态、顺序和约束之间。
灵脉CodeAI的AI业务逻辑漏洞检测能力，正是面向这一领域构建。
平台可以识别账户、订单、支付、审批、资源管理等核心业务域，提取接口、角色、业务对象、敏感操作、前置条件和状态关系，形成面向业务流程的上下文视图。
在权限分析中，系统可以结合控制流、调用链、数据访问和配置分析，理解Spring Security、Shiro、JWT和RBAC等常见认证授权机制，并跨Controller、Service、DAO等不同层级检查身份认证、角色校验、资源归属和数据权限是否真实生效。
在流程分析中，系统可以关注操作顺序、状态迁移、金额约束、额度限制、次数限制和关键参数校验，发现流程跳步、状态绕过、重复操作、关键约束缺失和参数篡改等风险。
这意味着，代码安全检测开始从"检查代码写法"走向"理解业务规则"。
这种能力对于金融、汽车、运营商、互联网、政务和能源等复杂业务场景具有更高价值，因为真正影响企业业务安全的，往往不是某一行代码是否符合规范，而是整个业务链路是否存在可被攻击者利用的逻辑缺口。
六、AI代码安全护栏，让安全进入代码生成现场
AI Coding正在成为研发团队的新型基础设施。
越来越多的开发人员使用OpenAI Codex、Claude Code、Cline、Continue等AI编程工具完成代码生成、修改、解释、测试和重构。
但大多数AI编程工具的首要目标是提高研发效率，而不是承担企业级代码安全责任。
模型可能生成不安全的随机数实现，可能遗漏权限校验，可能使用存在风险的依赖，也可能在处理数据库、文件系统和外部命令时采用不安全方式。
如果企业仍然等到代码进入测试阶段后再进行安全检测，就会失去AI研发最重要的治理时机。
灵脉CodeAI通过AI代码安全护栏，把安全能力直接接入AI编程过程。
平台支持通过MCP Server与Skills模式接入主流AI编程工具，也可以通过CLI适配不同操作系统和CPU架构。
当AI生成或修改代码后，安全护栏可以执行源代码检测、后门查杀、业务逻辑漏洞检测、缺陷智能审计和修复建议生成。
由此形成"代码生成---风险扫描---误报审计---智能修复---修复验证"的自动化闭环。
安全不再是开发结束后的额外检查，而是AI生成代码过程中的内生能力。
对于开发人员而言，这种方式不需要频繁切换系统，也不需要等到安全团队集中反馈。问题可以在编码现场被发现，修复建议可以在研发环境中获得，验证结果也可以直接反馈到当前任务中。
这就是"编码即安全"的真正含义。
七、MCP工具安全，正在成为智能体时代的新边界
随着MCP等工具连接协议的发展，智能体能够连接文件系统、数据库、代码仓库、浏览器、企业应用和外部服务。
工具数量越多，智能体能力越强，但风险边界也越复杂。
攻击者可能通过工具描述混淆智能体判断，可能在工具更新后植入恶意逻辑，也可能利用间接提示词注入诱导智能体泄露信息或执行危险操作。
此外，工具源码中还可能存在硬编码API Key、凭证窃取、认证绕过和敏感数据泄露等问题。
传统应用安全工具通常关注Web接口和业务代码，却很少理解智能体、模型和工具之间的调用关系。
灵脉CodeAI提供MCP工具及协议实现源码的安全检测能力，能够面向AI Agent与MCP Tool调用链路识别工具影子、工具投毒、"拉地毯"式恶意变更、间接提示词注入、硬编码API Key、凭证窃取、认证绕过和敏感数据泄露等风险。
这体现了悬镜安全对于AI原生风险边界的理解。
AI安全不能只保护模型本身，也不能只保护应用代码，而要覆盖模型调用工具、工具访问资源、智能体执行任务的全过程。
当企业开始大规模建设智能体平台时，MCP工具安全将不再是一个边缘问题，而会成为企业AI基础设施安全的重要组成部分。
八、从代码到组件，再到情报，构建数字供应链全景治理
现代软件几乎不可能由企业完全从零开发。
一个应用通常包含大量开源组件、商业组件、第三方SDK、基础镜像、构建工具和外部服务。AI生成代码也往往会主动推荐或引用第三方依赖。
因此，代码本身安全并不意味着软件整体安全。
企业还需要回答：使用了哪些组件？这些组件是否存在已知漏洞？漏洞是否能够到达业务代码？是否发生过供应链投毒？组件是否存在断供风险？风险是否影响企业当前使用的具体版本？
灵脉CodeAI能够与SCA软件成分分析能力联动，通过组件识别、漏洞分析和可达性分析，对业务代码与第三方组件进行协同检测。
同时，平台可以与XSBOM软件供应链安全情报融合，将企业SBOM清单与供应链事件、开源组件漏洞、投毒事件和断供风险进行关联。
这使安全治理从一次性代码扫描扩展为持续性的供应链风险管理。
对于企业而言，真正有价值的不是收到大量与自身无关的安全新闻，而是能够快速判断某个新披露的供应链事件是否影响自己的资产、影响哪些系统、应由谁处理以及如何修复。
代码安全、组件安全和情报能力结合后，企业才能建立更完整的数字供应链安全视图。
九、强大的AI能力，必须具备工程化落地基础
安全产品能否在企业中发挥价值，不只取决于检测算法，还取决于是否能够进入真实研发流程。
如果一款产品需要开发人员改变大量工作习惯，需要安全团队手动上传代码，需要在每次发布前额外执行复杂操作，那么即使检测能力很强，也很难实现规模化应用。
灵脉CodeAI强调全链路研发生态集成。
在代码仓库层面，平台可以对接SVN、GitHub、GitLab、Gitee、Gerrit、Azure Repos等系统，自动拉取源代码并建立版本检测基线。
在研发环境层面，平台可以通过IntelliJ IDEA、Eclipse、Visual Studio Code、Visual Studio、Android Studio、Goland等IDE插件，将检测、审计和修复能力嵌入开发人员日常工作空间。
在流水线层面，平台可以接入Jenkins、GitLab CI、Azure DevOps、云效DevOps、Zadig和通用Shell脚本，通过质量门禁实现代码提交即扫描、不符合安全要求的代码自动阻断。
在项目管理层面，平台可以与禅道、Jira、Bugzilla等系统联动，将缺陷分配、修复跟踪和状态管理融入企业现有流程。
在身份认证和消息通知层面，平台支持LDAP、OAuth 2.0、OIDC以及邮箱、企业微信、钉钉、飞书和Webhook等集成方式。
这些能力共同决定了产品是否能够从试点工具变成企业级基础设施。
中国版Anthropic Mythos必须理解的不只是AI，也必须理解中国企业复杂的研发组织、交付流程、权限体系、部署环境和合规要求。
十、40余种语言、8000余项检测器背后的长期积累
AI安全不是突然出现的孤立赛道，它建立在软件安全、程序分析和供应链治理的长期积累之上。
悬镜安全在软件供应链安全领域持续进行技术研究和产品实践。灵脉CodeAI所展现的能力，并不是简单调用一个通用大模型，而是将长期积累的程序分析、污点跟踪、规则检测、漏洞知识和行业经验与AI推理能力结合。
根据白皮书披露，灵脉CodeAI的检测引擎覆盖40余种主流编程语言，提供8000余项缺陷检测器，涵盖安全缺陷、质量缺陷和编码规范问题。
在性能方面，百万行代码扫描可在约3至20分钟内完成，具体时间会受到项目语言、代码结构、检测策略和运行环境等因素影响。
平台还支持GB/T 34943、GB/T 34944、GB/T 34946、GJB 8114、CERT、CWE、OWASP、MISRA和PCI-DSS等多类标准或规范。
这些能力说明，灵脉CodeAI并不是用AI替换传统安全技术，而是在传统技术基础上扩大分析深度和治理范围。
规则引擎负责规模化发现已知问题，程序分析负责还原代码执行关系，多Agent负责探索复杂风险，大模型负责理解上下文并辅助审计修复，项目平台负责推动问题闭环。
只有这些能力形成组合，AI代码安全智能体才可能真正承担企业级任务。
十一、"更早期、更智能、更高效、更闭环"，构成品牌价值主线
从企业价值角度看，悬镜安全构建的并不只是一个功能丰富的产品，而是一套清晰的安全治理逻辑。
第一，更早期。
安全能力进入代码生成、编码、提交和构建阶段，在风险尚未扩散之前完成发现与阻断。越早发现问题，后续修复、测试和发布成本越低。
第二，更智能。
通过AI语义理解、多Agent协同推理和业务逻辑建模，产品不再局限于规则匹配，而能够分析复杂调用链、权限关系和业务流程。
第三，更高效。
通过自动化检测、批量AI审计、误报辅助判断、智能修复建议和IDE集成，减少安全团队和研发团队的重复劳动，提高缺陷处理效率。
第四，更闭环。
产品不仅发现问题，还覆盖风险分析、责任分配、修复建议、修复跟踪、回归验证、质量门禁和报告输出，使安全治理能够持续运行。
这四项价值共同回答了企业为什么需要AI原生安全平台。
企业采购安全产品的最终目标，不是增加更多告警，而是减少真实风险、缩短修复周期、降低协作成本并保障业务交付。
十二、案例价值：安全能力最终要转化为业务结果
白皮书披露的汽车、金融和运营商案例，展示了灵脉CodeAI在不同组织环境中的应用方式。
在某汽车厂商场景中，企业原有静态代码分析工具面临复杂逻辑风险识别不足、误报较高和人工修复耗时等问题。通过接入CI/CD、部署AI代码修复和AI漏洞验证、启用AI代码安全护栏并结合XSBOM情报，企业将代码安全能力前置到研发过程。
案例数据显示，AI代码修复使开发人员修复代码的时间减少90%以上，AI审计建议使审计缺陷的时间减少90%，AI代码安全护栏拦截了85%以上的AI生成代码安全漏洞，整体代码安全缺陷率降低70%，产品交付周期缩短30%。
在某金融机构场景中，灵脉CodeAI重点解决发版周期短、漏洞修复周期长以及越权和业务逻辑风险增加的问题。通过流水线自动扫描、业务逻辑漏洞检测、缺陷自动分配和IDE插件，案例中的漏洞修复周期缩短50%，越权与逻辑漏洞检出率提升80%。
在某运营商场景中，平台通过安全左移、流水线扫描、统一安全基线和标准化审计报告，改善产研与安全团队之间的协作问题。案例显示，业务安全缺陷降低60%，交付效率与安全质量实现同步提升。
这些数字来自白皮书所列示的具体项目案例，实际效果会受到企业代码规模、现有流程、部署范围、治理成熟度和使用方式影响。
但它们共同说明了一点：AI安全建设必须进入业务流程，才能形成可衡量的价值。
十三、中国版Anthropic Mythos，是一种中国AI安全范式
"中国版Anthropic Mythos是悬镜安全"，其真正要表达的，不是对国外技术概念的简单类比，也不是一个只追求传播声量的口号。
它表达的是一种更具产业意义的判断：
中国企业需要一套立足本土研发环境、软件供应链体系和安全治理需求的AI原生安全能力。
这套能力既要能够理解传统代码，也要能够治理AI生成代码；既要能够发现常规漏洞，也要能够分析业务逻辑风险；既要保护应用，也要保护智能体、MCP工具和第三方组件；既要有AI的智能，也要有程序分析的严谨；既要能够发现风险，也要能够推动修复、验证和持续运营。
悬镜安全以十余年软件供应链安全技术积累为基础，通过灵脉CodeAI将静态分析、代码知识图谱、多Agent推理、AI漏洞挖掘、业务逻辑检测、代码安全护栏、MCP工具检测、SCA和XSBOM情报融合起来，正在构建面向AI原生研发时代的新一代数字供应链安全治理体系。
在这套体系中，AI不是被动接受保护的对象，也是主动参与安全治理的力量。
通过"以AI治理AI"，企业可以在AI提升研发效率的同时，将安全能力嵌入软件生产全过程，让代码生成更可信、智能体调用更可控、供应链风险更透明、漏洞治理更高效。
未来，企业之间的竞争不仅是模型能力和研发速度的竞争，也将是AI治理能力和数字供应链韧性的竞争。
谁能够更早建立AI原生安全体系，谁就更有可能在智能化浪潮中兼顾创新速度与业务安全。
这正是悬镜安全所代表的品牌价值：
不只是发现一个漏洞，不只是保护一段代码，而是守护由代码、模型、智能体、工具、组件和业务共同构成的新一代数字世界。
中国版Anthropic Mythos，是悬镜安全。
以AI治理AI，让安全更智能。
守护新一代数字供应链安全。