AI-Infra-Guard（A.I.G）——腾讯朱雀实验室AI红队平台
一站式AI安全自检平台，集成ClawScan、Agent扫描、MCP/技能扫描、AI基础设施漏洞扫描及越狱评估，覆盖AI生态全链路风险。
证据显示：README 明确说明平台缺乏认证机制，仅限内网使用，默认绑定 127.0.0.1，体现了最小权限原则（least_privilege=1）。但未提供用户确认机制（user_confirmation=0）。数据流透明度方面，README 描述了扫描目标、API 密钥等数据流向，但未详细说明内部处理（data_flow_transparency=1）。敏感数据处理：SECURITY.md 提供了 API 密钥保护建议，但未展示实际实现（sensitive_data_handling=1）。依赖安全：go.mod 列出了大量依赖，但未提供漏洞扫描或版本审计证据（dependency_security=1）。外部影响：扫描功能会主动连接目标，但 README 明确说明这是预期行为（external_effects=1）。回滚机制未提及（rollback=0）。来源归属：README 和代码文件均标注了 Tencent Zhuque Lab，但发布者未经验证（source_attribution=1）。
证据显示：README 和 SECURITY.md 对平台定位、信任模型描述一致，无矛盾（self_consistency=2）。依赖可用性：go.mod 列出了大量依赖，但未提供版本锁定或镜像信息（dependency_availability=1）。失败消息：SECURITY.md 提供了报告模板，但未展示运行时错误处理（failure_messages=1）。
证据显示：README 明确了目标用户（企业/个人内部使用）和多种使用场景（audience_and_scenarios=2）。能力边界：README 详细列出了扫描类型和限制（capability_boundaries=2）。触发精度：提供了具体命令和参数示例，但未详细说明触发条件（trigger_precision=1）。环境适配：支持 Docker、CLI、多平台，但未提供系统要求细节（environment_fit=2）。
证据显示：README 结构清晰，包含快速开始、功能、API 文档等（information_architecture=2）。安装说明：提供了 Docker、脚本、源码三种方式（install_notes=2）。命名稳定性：项目名称和模块命名一致（naming_stability=2）。示例和 FAQ：README 提供了示例，但 FAQ 链接指向外部文档（examples_and_faq=2）。已知限制：README 明确说明缺乏认证，仅限内网（known_limitations=2）。许可证：Apache-2.0 完整文本（license=3）。版本和变更日志：README 列出了版本更新，CHANGELOG.md 存在（versioning_changelog=2）。维护责任：SECURITY.md 提供了维护者联系方式和披露流程（maintenance_responsibility=2）。
证据显示：输出可用性：提供了报告格式和 API 文档（output_usability=2）。边际价值：提供了多种扫描能力，具有独特价值（marginal_value=2）。成本效益：免费开源，但需要 Docker 和资源（cost_benefit=2）。
证据显示：声明可追溯性：README 中的性能数据未提供测试方法或数据来源（claim_traceability=1）。交叉来源验证：仅依赖 README 和 SECURITY.md，缺乏独立验证（cross_source_corroboration=1）。事实与推断分离：README 将事实和推断混合，未明确区分（fact_inference_separation=1）。
- 平台缺乏认证机制，仅限内网使用，切勿暴露到公网。
- API 密钥等敏感信息需妥善保护，避免泄露。
- 依赖众多，建议进行安全审计。
这个 Agent 能做什么，适合哪些场景？
A.I.G（AI-Infra-Guard）是腾讯朱雀实验室开源的AI红队平台，旨在帮助企业和个人对AI系统进行全面的安全自检。平台集成了多项核心能力：ClawScan（OpenClaw安全扫描）、Agent安全扫描、MCP服务器与Agent技能扫描、AI基础设施漏洞扫描（覆盖100+组件、1900+ CVE），以及大语言模型越狱评估。用户可通过Docker快速部署，并通过Web界面（默认端口8088）或CLI工具（如aig-skill-scan）使用。项目基于Apache 2.0开源，并提供完整的API文档和插件扩展机制。
A.I.G提供多种扫描与评估能力：1) AI基础设施漏洞扫描：对运行中的AI服务（如vLLM、Ollama、ComfyUI）进行指纹识别，匹配1900+已知CVE漏洞，输出组件版本、漏洞等级及修复建议；2) MCP服务器与Agent技能扫描：支持从源代码或远程URL检测14大类安全风险，包括工具投毒、凭据泄露、命令注入等；3) Agent扫描：独立的多代理自动化扫描框架，评估Dify、Coze等平台上的AI Agent工作流安全；4) 越狱评估：使用精选数据集对目标LLM API进行多种攻击方法（如多轮PAIR、GOAT）的鲁棒性测试，并提供跨模型对比；5) ClawScan：一键评估OpenClaw安全风险。用户可通过Web界面触发扫描，或使用CLI工具（如aig-skill-scan）集成到CI/CD流水线。
- 安全团队在内部部署A.I.G，对运行中的vLLM、Ollama等AI服务进行漏洞扫描，确保基础设施安全
- 开发者在CI/CD流水线中集成aig-skill-scan，自动审计Agent技能代码，防止恶意技能上线
- AI应用厂商在发布前使用越狱评估模块，测试其LLM应用的提示注入防护能力
- MCP服务器开发者使用MCP扫描功能，检测服务器中的工具投毒、命令注入等安全风险
- 企业安全人员使用Agent扫描评估Dify或Coze平台的Agent工作流是否存在权限滥用或数据泄露风险
- 安全研究员利用A.I.G的API和插件机制，扩展自定义指纹和漏洞规则
这个 Agent 有哪些优点和局限？
- 覆盖全面：集成多种扫描能力，包括AI基础设施、MCP、Agent技能、越狱评估，一站式解决AI安全风险
- 性能领先：技能扫描在SkillTrustBench上取得0.9848的F1分数（Claude Opus 4.6），处于业界领先水平
- 开放生态：Apache 2.0许可，提供插件扩展机制，支持自定义指纹、漏洞规则、MCP规则和评估数据集
- 多平台集成：提供Web界面、CLI工具、API以及ClawHub技能（如EdgeOne ClawScan），可嵌入任意AI Agent工作流
- 部署要求较高：需要Docker环境，内存至少4GB，磁盘10GB以上
- 缺乏认证机制：项目定位为企业内部使用，无鉴权功能，不能直接暴露在公网，增加了部署限制
- 模型依赖：技能扫描和越狱评估依赖外部LLM API（如DeepSeek），需要配置API key，存在外部依赖和成本
- 扫描目标限制：AI基础设施扫描需要目标服务正在运行且可访问，无法离线扫描源码
如何安装或部署这个 Agent？
推荐使用Docker Compose部署：
git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
# Docker Compose V2+ 使用 'docker compose'
docker-compose -f docker-compose.images.yml up -d部署后访问 http://localhost:8088 。也可使用一键安装脚本：
curl https://raw.githubusercontent.com/Tencent/AI-Infra-Guard/refs/heads/main/docker.sh | bash或在OpenClaw中安装aig-scanner技能：
clawhub install aig-scanner如何使用这个 Agent？
使用AI基础设施扫描：在Web界面点击“AI基础设施安全扫描”，输入运行中服务的URL（如 http://127.0.0.1:8000 ），点击开始扫描即可。使用越狱评估：在“设置→模型配置”中配置目标LLM的API端点（base URL + API key），选择数据集后启动评估。使用CLI扫描技能：
pip install aig-skill-scan
export LLM_API_KEY="your-api-key"
aig-skill-scan --repo /path/to/your/skill -m deepseek-v4-flash --language en -o result.json这个 Agent 与同类方案有什么区别？
项目中未明确提及直接竞品，但可与其他AI安全工具（如部分商业红队平台）相提并论。