FollowAgents AI AGENTS 目录
首页 / 全部 Agents / AI-Infra-Guard（A.I.G）——腾讯朱雀实验室AI红队平台
自动化与运维 ai-securityred-teamingvulnerability-scanningmcp-securityjailbreak-evaluationopenclawllm-security

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。

在 GitHub 查看 ↗ 快速上手 ↓
源仓库
Tencent/AI-Infra-Guard
Star 数
★ 6.9k
最近更新
今天
License
Apache-2.0
主语言
Python
FA 评分
48/100 · 缺口较多

30 秒速览

运行形态
自托管服务命令行工具Agent 插件 / 技能
可在哪里用
通用 · 跨平台
费用
有免费版，另有付费云服务
上手难度
中 · 需要几步配置
开始前需要
DockerPython 3.xgitShell / 命令行网络访问本地文件系统
典型场景
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
不适合
  • 需要完全离线或内网隔离、不能调用外部 LLM API 的团队
  • 希望开箱即用、无需 Docker 与 4GB 内存/10GB 磁盘的轻量用户
  • 需要公网暴露或带身份认证的生产环境
源码审查
48/100 · 缺口较多 2 项安全控制未见

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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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

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 有哪些优点和局限？

优点
  • 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
局限
  • 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

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。

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
AI-Infra-Guard（A.I.G）——腾讯朱雀实验室AI红队平台 当前 48 · 缺口较多 自托管服务免费版 + 付费版 ★ 6.9k 今天 Python —
DeepTeam - LLM红队测试框架 29 · 缺口较多 代码库 / SDK免费 + 模型费 ★ 3k 2 天前 Python —
Agentic Security 45 · 缺口较多 命令行工具免费 + 模型费 ★ 2k 今天 Python OpenAI API
T3MP3ST 安全测试编排台 55 · 缺口较多 命令行工具免费 + 模型费 ★ 6.6k 1 个月前 TypeScript Codex · Claude Code · OpenAI API · Claude API

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1
缺口较多
48/ 100 五分制 2.4 / 5
本评测基于 2026年8月9日 的源码；此后该项目发布了 9 个正式版本，尚未复审。分数与结论只代表评测时的版本。 最近版本 ↓
信任安全 7/29
可靠稳定 6/14
适用触发 10/18
规范维护 13/18
有效结果 9/13
证据核验 3/8
查看各维度的扣分理由
信任安全7 / 29 · 1.2/5

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）。

可靠稳定6 / 14 · 2.1/5

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）。

适用触发10 / 18 · 2.8/5

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）。

规范维护13 / 18 · 3.6/5

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）。

有效结果9 / 13 · 3.5/5

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）。

证据核验3 / 8 · 1.9/5

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）。

风险与缓解建议
  • 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
  • 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
  • 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。
证据充分度：低 评估于 2026年8月9日 审查版本 2ce1ca9abc40 评估后仓库已有新提交，评分可能未覆盖最新改动
评估证据 README.mdLICENSESECURITY.mdgo.modworkflows/create-release.ymlworkflows/docker-publish.ymltests/__init__.pyremote_server/remote_custom_metric_plugin.pyremote_my_folder_plugin/__init__.py
查看完整评分方法 →

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

  1. v4.6.6 AI-Infra-Guard v4.6.6
    发布说明摘录
    [v4.6.6] - 2026-10-15 Added - Agent-Scan: Add Atlas Cloud provider preset (PR #706, 6a14a56a) - Agent-Scan: Add API Route provider preset (PR #697, c752770e) - Agent-Scan: Add memory/RAG poisoning detection skill (PR #429, a25426cb) - CLI: Add JSON scan output (PR #682, 3eb7b466) - Dashboard: Edit extra_headers / extra_body in the model dialog (PR #690, 57fad501) - Eval: Add BadPhoneAgent bilingual benchmark (PR #698, 0586cb9b) Fixed - Agent-Scan: Stream SSE responses and stop at [DONE] instead of waiting for connection close (PR #708, 1e2c69d9) …
    在 GitHub 查看 ↗
  2. v4.6.5 AI-Infra-Guard v4.6.5
    发布说明摘录
    [v4.6.5] - 2026-10-08 Added - Agent-Scan: Support custom transforms for SSE responses (PR #600, f59fbe14) - MCP-Scan: Support modern/legacy protocol auto-negotiation and record protocol version (PR #579, 890f21dd) - Agent-Scan: Add OrcaRouter as a first-class provider (PR #619, a7c9b006) - Models: Send extra headers and body fields to the model API (PR #669, ae6fc0d6) - DeepTeam: Resume an interrupted red team run (PR #668, a2ac397e) - Data: Add vulnerability rules [2026-09-25] — 154 CVE rules + 9 fingerprints (PR #679, 1f8ab6f2) …
    在 GitHub 查看 ↗
  3. v4.6.4 AI-Infra-Guard v4.6.4
    发布说明摘录
    [v4.6.4] - 2026-10-01 Added - Research: Vendor pikit (https://github.com/NY1024/pikit), a composable prompt-injection research toolkit, under Research/pikit (fe84b853, PR #681) Fixed - Skill-Scan: Forward optional reasoning effort to the model API (PR #676, 14beb9b9) Changed - Docs: Update Research/pikit README (9f889209) Contributors Elwood Zonghao Ying (NY1024), Patrick Erichsen
    在 GitHub 查看 ↗

常见问题

A.I.G是否支持公网部署？
不支持。项目明确说明缺乏认证机制，建议仅在企业内部使用，避免暴露在公网。
使用技能扫描需要哪些配置？
需要安装Python环境，设置LLM_API_KEY环境变量，并指定要扫描的仓库路径。
扫描AI基础设施时目标URL填写什么？
填写运行中AI服务的网络地址（如http://127.0.0.1:8000），而不是GitHub地址。支持CIDR和IP范围。
越狱评估支持哪些模型？
支持配置任意符合OpenAI API规范的模型端点，在设置中填写base URL和API key。
如何贡献新的扫描规则？
可以按照贡献指南，在data/fingerprints、data/vuln、data/mcp、data/eval目录下添加YAML或数据集文件，并提交Pull Request。
在 GitHub 查看 ↗ 安装 ↓

相关 Agents

自动化与运维

DeepTeam - LLM红队测试框架

对LLM和AI智能体进行安全渗透测试的开源框架，模拟越狱、提示注入等多轮攻击，提供生产级防护栏。
自动化与运维

Agentic Security

面向 LLM 与智能体工作流的开源漏洞扫描器，用于检测越狱、模糊测试和多模态攻击。
自动化与运维

T3MP3ST 安全测试编排台

将本地编码代理接入授权目标，编排侦察、验证与报告。
自动化与运维

Superagent SDK

为 AI 应用拦截提示注入、脱敏敏感数据并扫描安全威胁。