导语
人工智能正在改变软件的生产方式，也在改变网络安全的基本逻辑。
过去，软件主要由人编写，安全团队围绕人工编码缺陷、开源组件漏洞、应用攻击和运行时威胁建立防御体系。如今，随着AI Coding、Vibe Coding、Claude Code、OpenAI Codex、智能体开发平台、MCP协议和Skills插件快速进入企业研发与业务流程，代码的生产者、软件的执行者乃至业务流程的参与者，都开始从人扩展到AI。
AI不再只是回答问题的辅助工具，而是逐步拥有理解代码、修改代码、调用工具、访问知识库、连接数据库、操作云服务乃至自主完成复杂任务的能力。
这场变化带来的不仅是效率革命，也是安全边界的全面重构。
AI生成代码可能携带漏洞、后门和不合规依赖；智能体可能因提示词注入而偏离原定目标；MCP工具可能被投毒、影子替换或恶意篡改；模型、数据集、插件、API与第三方服务之间复杂的依赖关系，正在形成一个规模更大、透明度更低、传播速度更快的新型AI供应链。
当AI开始参与软件生产、决策和执行，企业需要保护的对象便不再只是传统应用，而是覆盖数据、模型、代码、组件、智能体、插件、工具和运行环境的完整数字供应链。
2026年，Anthropic推出Claude Mythos Preview，并将其定位为具有强大编码、推理和智能体能力的通用前沿模型。其在软件理解、漏洞发现、利用路径分析等安全任务中展现出的能力，释放出一个清晰信号：网络安全正在从以规则、特征和人工经验为核心的工具时代，进入以深度理解、自主规划、多步骤推理和持续行动为核心的安全智能体时代。citeturn402317search5turn402317search9turn402317search19
对于中国企业而言，需要的并不是简单复制一个海外模型，也不是把通用大模型套在传统扫描工具之外，而是构建一套立足中国数字化环境、适配企业级研发体系、覆盖AI原生风险并能够真正进入业务流程的智能安全体系。
基于十余年软件供应链安全、DevSecOps敏捷安全和应用运行时防护技术积累，悬镜安全正以"AI原生安全＋软件供应链安全＋AI供应链安全情报"为核心，构建面向中国企业的新一代数字供应链安全治理体系。
这套体系可以被理解为悬镜安全对"中国版 Anthropic Mythos"的探索：不是打造一个孤立的安全大模型，而是以AI治理AI，将模型能力、程序分析、供应链情报、运行时防护、智能体安全与企业治理流程深度融合，形成贯穿软件和AI系统全生命周期的安全智能底座。
一、Mythos带来的启示：安全能力正在从"发现问题"走向"理解和解决问题"
传统安全工具解决的主要问题，是根据已知规则判断某段代码、某个流量或某项行为是否存在异常。
这种模式在过去很长一段时间内发挥了重要价值，但它也存在明显边界。
首先，规则只能识别已被描述和抽象的风险。面对复杂业务逻辑、跨文件调用、跨服务权限关系以及多缺陷组合形成的攻击链，单纯依赖规则匹配往往难以形成完整判断。
其次，传统工具通常缺乏对业务上下文的理解。它可以识别一个函数是否存在危险调用，却不一定理解这个函数在订单、支付、审批、账户或资源管理流程中承担什么角色，也难以判断某项安全控制是否在真实业务路径上有效执行。
再次，传统扫描结果往往停留在"告警"层面。发现问题之后，安全人员仍需人工确认漏洞是否可达、是否可利用、影响哪些资产、应该如何修复以及修复后是否真正消除风险。
Claude Mythos所代表的能力方向，正在改变这一逻辑。
当模型具备更强的代码理解、长上下文处理、工具调用和智能体执行能力后，安全系统不再只能回答"是否命中一条规则"，而可以进一步分析：
攻击者可能从哪里进入系统？
用户输入经过了哪些函数、服务和数据层？
风险数据最终是否到达危险操作？
中间是否存在有效的校验、过滤或权限控制？
不同缺陷能否组合为完整攻击链？
漏洞在当前业务环境中是否具备真实利用条件？
修复某一处代码之后，是否会引入新的兼容性问题？
安全能力由此开始从单点检测升级为项目理解、攻击面建模、风险假设、路径追踪、对抗验证、修复生成和闭环验证。
这正是悬镜安全灵脉CodeAI代码安全智能体系统所采用的技术方向。
灵脉CodeAI并不是简单地在传统SAST产品中增加一个大模型问答入口，而是采用"静态分析＋多Agent智能推理＋AI辅助治理"的融合技术路线，将传统程序分析的确定性、专业安全规则的规模化能力以及大模型对代码语义和业务逻辑的理解能力结合起来。
系统首先对源代码进行词法、语法和语义分析，生成抽象语法树、符号表和中间表示，建立控制流、数据流、函数调用和定义---使用关系；随后通过过程间污点跟踪和8000余项缺陷检测器，对已知缺陷、质量问题和编码规范风险进行规模化检测；在此基础上，再由AI漏洞挖掘Agent和AI业务逻辑漏洞检测Agent开展项目级理解、跨文件追踪、风险假设和对抗式验证。
这意味着，悬镜安全所探索的"中国版 Anthropic Mythos"，首先是一种安全能力范式的升级：让安全系统从"机械扫描代码"，走向"像安全专家一样理解项目、提出假设、寻找证据、判断风险并参与修复"。fileciteturn0file0
二、为什么中国企业需要自己的"Mythos式"安全体系
"中国版 Anthropic Mythos"并不意味着复制Anthropic的模型架构，而是要解决中国企业在AI原生研发和数字供应链治理中面临的现实问题。
1. 中国企业的软件环境更加复杂
大型金融机构、运营商、能源企业、制造企业和政企单位，通常同时运行大量历史系统、国产化系统、云原生平台、微服务架构和第三方商业软件。
企业内部可能并存Java、C、C++、Go、Python、JavaScript、C#、PHP等多种语言，也可能使用Spring、Shiro、Dubbo、MyBatis等不同框架。部分系统需要编译环境，部分系统因依赖复杂、源码不完整或构建条件受限，只能采用不编译检测。
因此，中国企业所需的代码安全智能体，不能只在少量标准项目上表现良好，而必须具备多语言、混合语言、多框架和复杂工程环境的适配能力。
灵脉CodeAI支持40余种主流编程语言和混合语言检测，支持编译检测与不编译检测，并提供8000余项安全缺陷、质量缺陷和编码规范检测器，能够适配大规模企业级代码库。同时，平台支持过程间污点分析、自定义污点跟踪、可信数据源配置、方法白名单和文件路径过滤，使安全检测能够结合企业自身框架和业务特点持续优化。fileciteturn0file0
2. 中国企业需要兼顾效率、安全与数据主权
通用云端模型虽然能力强大，但金融、运营商、政企、能源和军工等行业往往对源代码、业务数据、身份信息和系统架构具有严格的数据保护要求。
企业不仅需要考虑模型效果，还要考虑代码是否可以离开本地环境、调用过程是否可审计、模型服务是否可替换以及敏感数据是否会进入第三方训练或存储链路。
因此，中国版安全智能体系必须支持灵活的模型服务配置，适配云端模型和企业本地化部署模型，并将真正敏感的程序分析、代码索引、知识图谱和业务上下文控制在企业可管理的环境中。
灵脉CodeAI支持配置多个AI模型服务，企业可结合安全要求、部署环境和任务类型灵活选择模型。系统在处理大型项目时，也不会简单将完整代码库一次性提交给模型，而是通过分层解析、代码索引、知识图谱、任务分片和按需检索，将复杂项目拆分为可分析、可关联的结构化任务，降低上下文限制和数据暴露风险。
3. 中国企业需要的不只是模型，而是可进入研发流程的产品
模型能力只有真正进入开发者IDE、代码仓库、CI/CD流水线、项目管理平台和安全运营流程，才能转化为实际生产力。
灵脉CodeAI能够对接SVN、GitHub、GitLab、Gitee、Gerrit、Azure Repos等代码仓库，支持Jenkins、GitLab CI、Azure DevOps、阿里云云效、蓝鲸、CODING、Zadig及通用Shell等流水线环境，并可通过IDE插件接入IntelliJ IDEA、Visual Studio Code、Goland、Eclipse、Visual Studio和Android Studio。
这使安全能力可以嵌入代码生成、代码提交、合并请求、构建、测试和发布等关键节点，实现提交即扫描、问题即时反馈、高风险代码自动阻断，以及修复结果持续验证。
中国企业需要的不是一个只能在演示环境中发现漏洞的模型，而是一套不改变研发人员主要工作习惯、能够嵌入现有工程体系并形成治理闭环的企业级产品。
4. 中国企业需要覆盖本土业务逻辑与行业场景
业务逻辑漏洞往往不是某个函数或某行代码的简单错误，而是身份、权限、资源、操作、状态和流程之间的关系出现了偏差。
例如，订单是否属于当前用户，审批是否经过完整节点，优惠权益是否可以重复领取，支付金额是否能够被客户端篡改，低权限用户是否可以访问高权限资源，某个业务状态是否可以被跳过。
传统SAST工具擅长识别SQL注入、命令注入等通用技术漏洞，却难以理解"谁可以在什么条件下对什么资源执行什么操作"。
灵脉CodeAI的AI业务逻辑漏洞检测能力，可以自动识别账户、订单、支付、审批和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，并结合控制流、调用链、数据访问和安全配置，重构跨Controller、Service和DAO层的身份权限链路。
系统能够分析Spring Security、Shiro、JWT和RBAC等安全机制是否真正生效，并针对水平越权、垂直越权、认证绕过、权限提升、跨租户访问、流程跳步、状态异常、金额篡改、额度绕过和重复操作等风险开展多Agent对抗式研判。
这种对本土企业业务系统的深度适配，是"中国版 Anthropic Mythos"必须具备的关键能力。
三、中国版Anthropic Mythos不是一个模型，而是一套数字供应链安全智能底座
如果把Claude Mythos理解为前沿模型在代码和安全任务上的能力跃迁，那么悬镜安全打造的"中国版 Anthropic Mythos"，则是将这种智能化安全能力进一步转化为可部署、可运营、可治理的产品体系。
其核心不是单一模型参数，而是五个层面的协同。
第一层：以灵脉CodeAI构建源代码安全智能体
源代码是软件和AI应用的工程起点。
无论是传统人工开发、AI辅助开发，还是以自然语言驱动的Vibe Coding，最终都会形成代码、配置、依赖和部署制品。源头代码一旦存在安全缺陷，风险就可能沿构建、测试、发布和运行链路持续传递。
灵脉CodeAI面向这一源头环节，构建AI代码安全护栏、AI漏洞挖掘和SAST代码审计三大核心能力。
其中，静态分析负责规模化识别已知风险，多Agent漏洞挖掘负责发现传统规则难以覆盖的复杂漏洞，AI业务逻辑漏洞检测负责分析身份、权限、资源和业务状态关系，AI审计和AI修复则负责提升风险研判及处置效率。
在AI漏洞挖掘过程中，系统首先解析项目目录、技术栈、路由接口、中间件、配置文件、认证机制、外部依赖和敏感资产，形成项目级攻击面视图；随后由规划Agent按照项目特征拆解任务，调度不同安全Agent围绕注入、文件操作、反序列化、服务端请求、身份认证等风险开展专项分析。
针对疑似漏洞，攻击视角Agent会构造潜在利用路径，防御验证Agent则反向搜索参数校验、权限控制、净化函数和异常分支。最终，系统根据漏洞入口、关键调用链、危险操作、触发条件、可达性和证据完整度形成证据化结论。
这种"攻击假设＋防御验证＋证据闭环"的机制，能够减少大模型缺乏代码依据的推测，让AI分析结果更加可解释、可复核。
第二层：以AI代码安全护栏治理Vibe Coding
AI编程工具显著降低了编码门槛，也使代码生产速度快速增长。
但AI生成代码并不天然安全。模型通常根据概率生成代码，训练语料中可能包含历史漏洞、不安全示例和过时依赖；生成结果也高度依赖开发者提供的上下文，如果需求描述缺少安全约束，模型很可能优先实现功能，而不是主动落实鉴权、输入校验、数据保护和错误处理。
更大的问题在于，Vibe Coding改变了代码进入企业的速度。过去，一名开发人员每天编写有限数量的代码；如今，AI可以在短时间内生成完整模块、接口甚至应用原型。如果缺少安全护栏，漏洞也会以相同速度进入代码仓库和交付流程。
灵脉CodeAI通过MCP Server和Skills模式，可以接入Claude Code、OpenAI Codex、Cline、Continue等主流AI编程工具，在AI生成代码之后立即开展源代码检测、后门查杀、业务逻辑漏洞分析、缺陷审计和修复建议生成。
其核心流程不是"生成完成后等待安全团队统一扫描"，而是把安全检测嵌入AI编程过程，形成"代码生成---风险扫描---误报审计---修复建议---修复验证"的自动化闭环。
通过CLI和多架构适配能力，灵脉CodeAI可在Linux、macOS和Windows等不同研发环境中运行，使AI代码安全能力能够进入开发者日常工作流。
这相当于为AI编程建立一道实时安全护栏：允许AI提升开发效率，但不允许风险代码未经验证直接进入企业软件供应链。
第三层：以MCP和Skills安全检测治理智能体工具链
在Agentic AI时代，真正扩大攻击面的并不只是模型，而是模型背后的工具调用能力。
一个只会生成文字的模型，影响通常停留在信息层面；一个能够调用数据库、执行命令、读取代码仓库、修改配置和操作生产系统的智能体，则可能将一次错误判断或恶意提示转化为真实业务动作。
MCP协议和Skills插件正在成为智能体连接外部工具的重要方式，但也带来了工具影子、工具投毒、恶意变更、间接提示词注入、硬编码密钥、凭证窃取、认证绕过和敏感数据泄露等风险。
例如，攻击者可能注册一个名称和描述与合法工具高度相似的恶意工具，诱导智能体错误调用；工具提供方也可能在取得信任后修改功能，将正常插件变为恶意插件；外部网页、文档或邮件中隐藏的提示词，可能被智能体读取并作为指令执行；工具返回内容还可能进一步污染智能体上下文，引导其泄露数据或执行高危操作。
灵脉CodeAI能够对MCP工具、协议实现代码和智能体调用链进行安全检测，识别Tool Shadowing、Tool Poisoning、Rug Pull、Indirect Prompt Injection、Hardcoded API Key、Credential Theft、Authentication Bypass和Sensitive Data Leak等风险。
在"中国版 Anthropic Mythos"的体系中，MCP和Skills不应被视为普通插件，而应被视为AI供应链中的新型高权限组件。
每一个工具都需要明确来源、版本、权限、调用范围和变更记录；每一次工具调用都需要结合身份、上下文和业务目标进行验证；每一个返回结果都需要防范恶意内容和提示词污染。
第四层：以软件供应链与AI供应链情报打破风险黑盒
现代软件几乎不可能完全由企业独立开发。
一个应用可能包含数百甚至数千个开源组件、商业组件、容器镜像和第三方服务。在AI应用中，供应链进一步扩展到基础模型、微调模型、Embedding模型、数据集、向量数据库、智能体框架、MCP Server、Skills插件和外部API。
任何一个环节出现漏洞、投毒、后门、断供或许可证问题，都可能沿依赖关系影响下游业务。
因此，中国版Anthropic Mythos不能只理解代码，还要理解代码背后的供应链。
灵脉CodeAI可与悬镜安全SCA软件成分分析能力联动，对第三方组件开展识别、漏洞检测、许可证合规分析和可达性判断。通过组件漏洞可达性分析，系统可以判断某个存在漏洞的组件是否真正被业务代码调用，降低仅根据版本匹配产生的无效告警。
同时，平台可以与悬镜云脉XSBOM供应链安全情报能力融合，根据企业SBOM清单，将开源组件漏洞、供应链投毒、组件断供及重大安全事件精准推送给受影响企业。
在AI场景中，这一逻辑还需要进一步扩展为AI-BOM。
AI-BOM不仅记录软件组件，还要梳理模型、数据集、知识库、插件、工具、API和智能体之间的关系。企业需要知道正在使用哪些模型、模型来自哪里、由谁部署、哪些业务正在调用、是否连接敏感数据、是否包含高风险插件，以及某项供应链事件会影响哪些智能体和业务系统。
此前悬镜安全产品体系提出，通过AI资产发现和AI-BOM治理，将游离于传统IT资产管理之外的模型服务、智能体框架、向量数据库和工具组件转化为可治理台账，并围绕"可见、可管、可控、可溯"建立持续治理机制。
第五层：以灵境AIDR构建智能体运行时主动免疫
代码通过检测，并不意味着运行阶段绝对安全。
智能体的行为高度依赖实时输入、上下文、记忆、工具返回和模型推理结果。即使其代码本身没有传统漏洞，也可能因提示词注入、上下文投毒、模型幻觉、权限配置错误或异常工具调用而产生危险行为。
因此，面向智能体的安全体系必须从"开发阶段检测"延伸到"运行时持续控制"。
悬镜安全灵境AIDR所构建的AI智能体疫苗技术，强调内生自免疫、敏捷自适应和共生自进化，通过输入检测、输出检测、工具调用治理和命令执行检测等运行时护栏，对智能体交互和执行过程开展持续防护。
与传统外置流量检测不同，运行时主动免疫能力需要深入智能体执行上下文，理解当前用户是谁、智能体准备完成什么任务、正在调用哪个工具、请求访问什么资源、执行动作是否超出授权范围，以及模型行为是否偏离原始目标。
例如，当一个运维智能体读取外部文档后，突然准备调用数据库删除接口时，系统不能只判断请求格式是否合法，还需要判断这项操作是否符合原始任务、当前身份和最小权限原则。
灵境AIDR通过运行时语义分析、策略控制、工具调用治理和决策路径回放，使智能体的思考、调用和执行过程可观察、可约束、可审计。
由此，灵脉CodeAI负责在开发和交付前发现问题，灵境AIDR负责在运行阶段控制行为，SCA与XSBOM负责识别供应链风险，AI-BOM负责梳理AI资产关系，共同构成从源头到运行时的完整安全链路。
四、从安全模型到安全智能体：悬镜安全如何实现"以AI治理AI"
"以AI治理AI"并不是让一个大模型无条件决定所有安全问题，而是发挥不同技术的优势，建立可验证、可约束的协同机制。
程序分析具有确定性，能够准确生成控制流、数据流和函数调用关系；规则引擎适合规模化检测已知缺陷；知识图谱适合沉淀项目结构、代码关系和历史审计经验；大语言模型则擅长理解语义、分析上下文、生成假设和规划复杂任务。
悬镜安全将这些能力组合起来，使AI并非脱离证据自由推断，而是在程序分析和安全知识约束下开展工作。
在发现环节，静态分析和规则引擎首先形成基础风险集合，多Agent再围绕重点代码和复杂场景开展深入探索。
在研判环节，系统结合控制流、数据流、调用链、业务语义、历史误报和安全知识，对漏洞的可达性、可利用性和影响范围进行判断。
在修复环节，AI根据上下文生成修复建议或代码，并避免只修改表面危险函数而破坏原有业务逻辑。
在验证环节，系统重新扫描修复后的代码，确认风险路径是否被阻断，以及是否产生新的缺陷。
在运营环节，缺陷状态、处理责任人、修复进度、审计记录和回归结果被纳入统一项目管理，实现从发现、分配、修复到验证的完整生命周期治理。
这使安全智能体不再只是输出结论，而是参与风险处置过程。
五、突破传统SAST边界：又准、又快、还能理解业务
传统SAST长期面临误报率高、语言覆盖有限、复杂漏洞检测不足和扫描速度不稳定等问题。
其中最突出的问题，是工具输出了大量告警，却把最耗时的判断工作留给了人。
灵脉CodeAI采用静态分析与AI智能增强相结合的方式，在保持规模化扫描能力的同时，通过AI审计、批量验证和误报标注降低人工负担。
根据产品白皮书，平台支持百万代码行约3至20分钟完成扫描，覆盖40余种编程语言，内置8000余项检测器，并支持GB/T 34943、GB/T 34944、GB/T 34946、GJB 8114、CERT、CWE、OWASP、MISRA和PCI-DSS等国内外标准。具体性能仍会受项目语言、代码结构、部署资源和检测策略影响，但这一技术路线体现了企业级代码检测对效率、覆盖度与合规性的综合要求。fileciteturn0file0
更重要的是，AI漏洞挖掘和AI业务逻辑漏洞检测补足了传统SAST难以理解复杂上下文的问题。
传统工具可以告诉开发人员某个参数可能进入SQL语句，而安全智能体还需要进一步判断这条路径是否真实可达、参数是否经过有效处理、调用者是否具备权限、漏洞是否能够影响关键业务数据。
传统工具可以识别缺少权限校验的代码模式，而安全智能体需要理解资源归属关系、角色权限、租户边界和业务状态，判断是否存在真实越权。
传统工具追求更多规则，中国版Anthropic Mythos式安全体系追求的是更深的理解、更完整的证据和更有效的处置。
六、覆盖开发、交付、运行和运营的完整闭环
悬镜安全的新一代数字供应链安全体系，可形成四个阶段的连续治理。
开发阶段：让编码即安全
通过IDE插件、AI代码安全护栏和MCP接入方式，在开发者编写或生成代码时即时识别风险，提供缺陷说明、代码位置、审计依据和修复建议。
安全反馈不再等到项目即将上线时集中出现，而是尽可能前移到开发者仍熟悉代码上下文的阶段。
构建与交付阶段：让不安全代码无法进入下游
通过代码仓库、CI/CD流水线和质量门禁集成，在代码提交、合并、构建和发布节点自动触发扫描。
企业可根据风险等级、代码评分、合规要求和业务重要性设置门禁策略，对不符合要求的代码实施告警或阻断。
运行阶段：让智能体行为持续受控
通过灵境AIDR运行时护栏，对输入、输出、工具调用和命令执行进行持续检测和动态控制，防范提示词注入、上下文投毒、异常调用和高危操作。
安全运营阶段：让风险形成可追踪闭环
通过统一项目管理、缺陷管理、报告管理、日志审计和供应链情报，形成覆盖责任分配、修复跟踪、回归验证和风险复盘的治理流程。
这一体系的最终目标，是让安全从研发之外的审查环节，转变为软件和AI系统生命周期中的基础能力。
七、行业实践：安全价值必须回到真实业务结果
中国版Anthropic Mythos不能只以模型测试成绩衡量，更需要在真实企业环境中验证价值。
在某汽车厂商场景中，客户此前依赖传统静态代码分析工具，复杂逻辑缺陷识别能力有限，误报处理和人工修复耗时较长。随着AI编程工具进入研发流程，AI生成代码的风险进一步扩大。
通过将灵脉CodeAI接入CI/CD流程、启用AI代码修复和AI漏洞审计，并对AI编程工具建立代码安全护栏，客户实现了AI生成代码的即时检测。根据白皮书案例数据，AI代码修复使开发人员修复时间减少90%以上，AI审计使安全人员审计时间减少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，客户发版频率高、漏洞修复周期长，跨部门协作成本较大，且AI编程工具的使用使越权和逻辑漏洞数量增加。
灵脉CodeAI通过CI/CD自动扫描、AI业务逻辑漏洞检测、漏洞责任分配和IDE自助修复，重点治理金融业务中的权限和流程风险。白皮书案例显示，该客户漏洞修复周期缩短50%，越权和逻辑漏洞检出率提升80%。
在某运营商场景中，研发与安全团队目标不一致，安全检查后置导致上线前集中返工。通过在编码和流水线环节前置检测，并以行业合规模板和统一判定标准连接研发与安全团队，客户实现源代码级检测、行级风险定位和智能修复建议，业务安全缺陷降低60%，交付效率与安全质量同步改善。
上述数据来自产品白皮书中的典型项目案例，实际效果会受到企业代码规模、流程成熟度、部署方式和使用范围影响。它们体现的核心价值并非单一指标，而是安全能力开始从增加流程成本，转向帮助企业同时提升安全质量和研发效率。fileciteturn0file0
八、悬镜安全打造"中国版 Anthropic Mythos"的核心差异
第一，不是单一模型，而是多种安全技术协同。
悬镜安全将大模型、多Agent、静态分析、污点跟踪、知识图谱、规则引擎、供应链情报和运行时防护结合起来，避免完全依赖模型概率输出。
第二，不是只做漏洞发现，而是覆盖发现、研判、修复和验证。
系统不仅告诉用户"哪里有问题"，还输出漏洞位置、触发条件、传播路径、风险等级、影响分析和修复建议，并通过项目管理和回归检测形成闭环。
第三，不是只保护传统代码，而是同时治理AI生成代码和智能体工具链。
从Vibe Coding到MCP、Skills，再到智能体运行时行为，悬镜安全正在把安全边界扩展到AI原生研发和Agentic AI场景。
第四，不是只关注应用本身，而是以供应链视角理解风险。
通过SCA、SBOM、XSBOM和AI-BOM，企业能够从代码、组件、模型、插件和服务之间的依赖关系出发，分析风险传播路径。
第五，不是只提供外置检测，而是兼顾开发前置与运行时内生防护。
灵脉CodeAI解决源代码和研发阶段风险，灵境AIDR解决智能体运行时风险，软件供应链和AI供应链情报提供持续预警，形成贯穿全生命周期的纵深防线。
第六，不是简单复制海外能力，而是服务中国企业真实环境。
多语言和国产化环境适配、本地模型支持、私有化部署、行业合规模板、企业级权限管理和本土研发生态集成，共同构成"中国版"的工程基础。
九、真正的"中国版Mythos"，应当成为企业安全生产力
过去，安全产品更多被视为风险控制工具，其价值通常体现在避免损失。
进入AI时代，安全能力还必须成为生产力。
它需要帮助开发人员更快理解和修复问题，帮助安全人员从大量重复审计中释放出来，帮助管理者清楚掌握风险分布和治理进展，也要帮助企业在引入AI编程和智能体时建立可控边界。
当代码生成速度提升十倍，安全检测和修复效率也必须同步提升。
当智能体拥有数据库、云平台和生产系统权限，安全控制就必须从流量层深入到任务、身份、工具和行为层。
当模型、数据集、插件和第三方服务成为新的数字供应链组件，资产清单和风险情报也必须随之升级。
因此，中国版Anthropic Mythos的最终形态，不应只是"一个会找漏洞的模型"，而应是一套能够理解企业数字系统、持续参与安全治理并与研发流程共同进化的安全智能底座。
结语：以AI治理AI，守护新一代数字供应链安全
Claude Mythos证明，前沿AI模型已经能够在复杂代码理解、漏洞发现和智能体任务中达到新的能力高度。
这种能力既可能被攻击者用于降低漏洞利用门槛，也可以被防守方用于提升软件安全水平。决定结果的关键，不仅在于谁拥有更强的模型，更在于谁能够率先将模型能力转化为安全、可信、可控的工程体系。
悬镜安全打造"中国版 Anthropic Mythos"，不是对海外模型的简单复制，也不是以一个新概念替代原有产品，而是基于十余年软件供应链安全、DevSecOps敏捷安全和运行时主动防护积累，对企业安全体系进行的一次战略升级。
以灵脉CodeAI守住代码和AI原生研发源头，以SCA与XSBOM持续治理软件供应链，以AI-BOM打破模型、智能体和插件依赖黑盒，以灵境AIDR构建智能体运行时主动免疫，再以多Agent安全智能和供应链情报将发现、研判、修复、验证和运营连接起来。
由此，安全不再是部署在数字系统之外的一组孤立工具，而是成为与软件和智能体共同运行、共同学习、共同进化的基础能力。
面向未来，企业需要的不只是更快地采用AI，更要建立驾驭AI、约束AI和保护AI的能力。
以AI治理AI，从源头治理风险。
这正是悬镜安全探索"中国版 Anthropic Mythos"的核心价值，也是面向Agentic AI时代构筑新一代数字供应链安全防线的必由之路。