使用 AI Infra Guard 检查 AI 服务和代理的安全性

最近发现了腾讯朱雀实验室研究团队推出的 AI-Infra-Guard 仓库（简称 A.I.G）。这个项目解决了一个非常棘手的问题：一旦你启动本地 AI 服务（如 vLLM、Ollama 或 ComfyUI），或者开始将第三方插件和 MCP 服务器连接到你的 LLM，安全边界就会瞬间扩大。

标准漏洞扫描器对 AI 技术栈的细节理解不足。它们无法测试模型的越狱漏洞，不检查代理技能中的指令篡改，也不了解推理框架的特定特征。腾讯开发者将一个用于持续监控和自动化审计整个 AI 管道的现成平台开源了。

扫描器能做什么

该平台涵盖多个安全层面，从网络基础设施到提示词和工具逻辑。

1. 基于网络的 AI 基础设施扫描

该工具通过 IP 或 URL 连接到运行中的服务，并捕获其数字指纹。数据库识别超过 100 个组件（Ollama、ComfyUI、vLLM、n8n、Triton Inference Server）并将其与超过 20,000 个已知 CVE 的数据库进行交叉引用。

你可以扫描单个实例或整个子网。

2. MCP 服务器和代理技能审计

随着模型上下文协议（MCP）和代理引擎的普及，出现了一个新的威胁向量：可插拔工具中的恶意代码、工具投毒和凭证泄露。

A.I.G 可以分析 MCP 服务器仓库的源代码和上传的归档文件。扫描器根据 SkillTrustBench 分类检查九类风险：

• 技能指令劫持和上下文内存投毒
• 隐蔽可执行代码注入和有效载荷下载
• 系统权限提升
• 不安全依赖和工具欺骗

3. 越狱抵抗能力评估

越狱评估模块包含各种 LLM 攻击技术（包括多步攻击如 Many-Shot、PAIR、GOAT 和 ActorAttack）。你通过 API 连接目标模型的端点，选择基准测试，然后扫描器运行测试，生成一份包含成功攻击百分比和模型弱点的报告。

快速开始

在本地部署平台最简单的方式是通过 Docker Compose 启动现成镜像。你需要一台具有 4 GB 内存和约 10 GB 磁盘空间的机器。

git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
docker compose -f docker-compose.images.yml up -d

Web 界面将在 http://localhost:8088 访问。

注意：仓库明确说明内置服务器目前缺少身份验证机制。强烈建议不要将其暴露在公共互联网上——仅在内部网络或本地机器上运行。

通过 CLI 运行技能审计

如果你需要在不启动 Web 界面的情况下将代理检查集成到 CI/CD 中，项目有一个独立的 CLI 包：

pip install aig-skill-scan

export LLM_API_KEY="your-api-key"

# Сканирование директории с кодом скилла
aig-skill-scan --repo /path/to/your/skill \
               -m deepseek-v4-flash \
               --language en \
               -o result.json

审计在实践中的工作方式

假设你的本地服务器上运行着一个 vLLM 推理实例，端口为 8000。要检查其已知漏洞：

1. 在 http://localhost:8088 打开 Web 界面。
2. 导航到 AI 基础设施扫描部分。
3. 在地址字段中输入网络地址 http://127.0.0.1:8000。
4. 运行检查。扫描器将识别组件版本，将其与规则数据库匹配，并显示发现的 CVE 列表及补丁链接。

工具仓库的检查方式类似：你提供 GitHub MCP 服务器实现的链接，扫描器解析语法、检查权限、路径处理和网络调用。

谁会发现这有用

该平台面向积极将 LLM 和 AI 代理集成到工作流程中的团队：

• 应用安全和安全专家：一套现成的规则集，用于测试你公司的 AI 技术栈，无需手动组装漏洞利用代码。
• MCP 和代理开发者：CLI 工具 aig-skill-scan 可以轻松集成到 pre-commit 钩子或 GitHub Actions 流水线中，在部署前检查可插拔插件。
• MLOps 工程师：快速扫描内部网络，确保没有同事将未修补的 Ollama 或 ComfyUI 服务器暴露在外部。