Orca AI 事件档案库

逐条标注真实危害、AI 参与度与记录类型,让“今年发生了多少 AI 事件”变成可核验、可引用的开放数据集。

Star 数
★ 329
最近更新
9 天前
License
NOASSERTION
主语言
HTML

30 秒速览

可在哪里用
通用 · 跨平台
开始前需要
网页浏览器(用于 index.html)Git(用于克隆仓库)网络访问本地文件系统
典型场景
安全研究员需要为“AI 代理是否真的造成了损失”这一论断找可点击的一手证据,直接过滤 real_harm: true 的 153 条记录。
主要局限
记录以英文撰写,标题与摘要提供七种语言,但完整中文全文只覆盖 incidents/i18n/zh/ 路径,其他语言需自行翻译。
维护状态
近 30 天有提交最近提交 2026-11-12近 7 天每天 +28.3 ★

这个 Agent 能做什么,适合哪些场景?

Orca AI Incident Archive 是一个开放数据集,收录真实世界中 AI 代理安全事件的记录,覆盖 2025-01 至 2026-11-08,共 417 条记录,另有 1 条可追溯至 2024-12-01 的前兆事件。每条记录是一个带 YAML 头的 Markdown 文件,包含攻击链示意图和至少一个可点击的一手来源链接,并强制回答三个字段:real_harm(是否有确认受害者)、ai_involvement(AI 参与是否被一手来源确认)、kind(事件、漏洞披露、研究演示、威胁报告还是政策动作)。仓库同时提供按月的记录目录、七个攻击面主题分类、地区切片、SCHEMA.md 字段规范、taxonomy 分类体系,以及 dist/ 下的 JSON、CSV、统计与全部来源 URL。单个 index.html 文件可离线浏览,支持七种语言。数据以 CC BY 4.0 发布,可自由引用或再分发,只需署名。

仓库读取并组织三类内容:incidents/ 下按年月分目录的 Markdown 记录(YAML 头 + 攻击链图 + 一手来源),topics/ 下的七个攻击面索引,regions/ 下的地区切片,以及 incidents/i18n/zh/ 下的完整中文全文。它调用外部一手来源链接来支撑每条判定,并在 dist/ 中产出 JSON、CSV、统计数据与全部来源 URL 清单,供下游分析直接消费。index.html 作为单文件前端,读取这些数据并支持离线检索与七种语言的标题、摘要展示。docs/data-quality.md 记录四轮核验中做的每一次删除或改判,例如把 PaperCut 的“六小时拿到域管”更正为“七分钟”。条目 id 形如 orca:2026-07-09-openai-agents-breach-huggingface,可用于单条引用。

  1. 安全研究员需要为“AI 代理是否真的造成了损失”这一论断找可点击的一手证据,直接过滤 real_harm: true 的 153 条记录。
  2. AI 治理或合规团队在编写内部风险清单时,按月目录和 severity 标准(taxonomy/severity.md)梳理 49 条 critical 事件作为参考基线。
  3. 威胁情报分析师用 dist/ 里的 JSON、CSV 与全部来源 URL 做批量关联分析,例如把 Shai-Hulud、TanStack、CHAINDROP 等供应链事件串成时间线。
  4. 事件响应人员按攻击面(topics/)查阅 prompt-injection、MCP、credential 等同类案例,比对自家代理架构的暴露点。
  5. 技术写作者或记者引用单条记录时使用 orca: 前缀的 id,并保留记录中标注的 disputed 或 unverified 状态。
  6. 数据工程师把 index.html 离线打开,在没有网络的评审现场演示按地区或月份浏览的统计图表。

如何安装或部署这个 Agent?

本仓库是数据与静态站点,没有需要编译安装的服务端或 SDK。获取数据只需要克隆仓库:

如何使用这个 Agent?

克隆后在浏览器中打开根目录的 index.html,即可离线浏览并按语言切换。程序化读取时直接消费 dist/ 下的文件,例如用 jq 按 real_harm 过滤:

这个 Agent 有哪些优点和局限?

优点
  • 强制三字段(real_harm、ai_involvement、kind)把“真实损害”和“研究演示”区分开,避免了事件数量被虚抬。
  • 无来源不收录:417 条记录共 868 条来源链接、795 个唯一 URL,0 条记录缺少来源。
  • 对存疑内容选择标注而非删除,ai_involvement 的 unverified 与 disputed 状态与方法论一并保留在记录中。
  • 同时提供 dist/ 结构化数据(JSON、CSV、统计)与单文件 index.html,离线可用,便于二次分析。
  • 以 CC BY 4.0 发布,署名即可引用与再分发,并提供了直接可用的 BibTeX 条目。
局限
  • 记录以英文撰写,标题与摘要提供七种语言,但完整中文全文只覆盖 incidents/i18n/zh/ 路径,其他语言需自行翻译。
  • 严重度分级与分类是编辑判断而非厂商或监管机构的官方结论,直接用于审计或合规结论前需要二次核实。
  • 只收录已公开披露的事件,不含未公开漏洞细节与利用代码,因此无法用于复现或主动防御测试。
  • 仓库没有提供自动更新或实时订阅机制,引用时需要注意构建时间(2026-11-08)之后的数据可能已变化。
  • 第四轮覆盖审计仍发现约 11% 的记录缺失,说明该数据集不适合作为穷尽性的统计口径。

这个 Agent 与同类方案有什么区别?

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
Orca AI 事件档案库 当前 60 · 存在缺口 — ★ 329 9 天前 HTML —
Prismor 61 · 存在缺口 命令行工具免费 + 模型费 ★ 583 今天 Python Codex · Claude Code · OpenAI API · Claude API
HOL Guard 80 · 表现良好 命令行工具免费版 + 付费版 ★ 1.1k 今天 Rust Codex · Claude Code
SkillSpector 技能安全扫描器 75 · 表现良好 命令行工具免费 + 模型费 ★ 27k 今天 Python Codex · Claude Code · OpenAI API · Claude API

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
存在缺口
60/ 100 五分制 3.0 / 5
信任安全 17/29
可靠稳定 6/14
适用触发 12/18
规范维护 10/18
有效结果 9/13
证据核验 6/8
查看各维度的扣分理由
信任安全17 / 29 · 2.9/5

这是数据档案而非执行型 Agent,权限面天然较小:CI 工作流显式声明 permissions: contents: read,符合最小权限(2)。但仓库无任何用户确认机制,贡献/合并流程仅靠文字规则(1)。数据流透明性尚可:README 说明记录为 Markdown+YAML、dist/ 提供 JSON/CSV、index.html 离线可用(2)。敏感数据处理:声明只收录公开披露事件、不含未披露漏洞细节与利用代码,且链接源版权归原主(2)。外部影响:静态内容,无破坏性默认行为(2)。回滚:仅提到“修正写入记录、不静默覆盖”,但无版本化回滚或撤销机制(1)。依赖安全:CI 使用 actions/checkout@v4、setup-python@v5 等未固定 SHA 的第三方 action,且未见依赖锁定或漏洞扫描(1)。来源归属:每条记录要求可点击一手来源、0 条无来源、CC BY 4.0 明确署名要求,归属处理充分(3)。

可靠稳定6 / 14 · 2.1/5

自洽性:README 徽章与正文数字大体一致(417 条、153 有确认受害、795 唯一 URL),但徽章写 primary_sources 795 URL 而质量表写 868 链接/795 URL,措辞略有出入(2)。依赖可用性:仅见 Python 3.12 与脚本,未见 requirements 或锁定文件,外部链接检查为 advisory 且仅抽样 60 条(1)。失败信息:CI 在派生文件不同步时给出明确错误与 diff,但脚本本身(validate.py/build.py)未在包内展示,无法评估其运行时错误提示(1)。

适用触发12 / 18 · 3.3/5

受众与场景:README 用“我想做什么”导航表覆盖按时间、按攻击面、按地区、数据分析、离线浏览等多种场景,受众定位清晰(3)。能力边界:明确列出收录标准与 out-of-scope(纯 LLM 内容安全、无关漏洞、无一手来源的声明),边界较清楚(2)。触发精度:作为数据档案无触发机制,但“什么算一条记录”的四条标准偏定性,边界案例判定依赖编辑判断(1)。环境适配:提供离线单文件 index.html、多语言、dist/ 多格式,适配较好;但未见运行环境/依赖说明(2)。

规范维护10 / 18 · 2.8/5

信息架构:README、SCHEMA、taxonomy、topics、regions、docs、dist 分层清晰,导航完善(3)。安装说明:无安装/使用步骤,仅隐含“python scripts/build.py”,缺少依赖与运行前置说明(1)。命名稳定性:记录 id 采用 orca:日期- slug 形式并用于引用,较稳定,但未见正式命名规范文档(2)。示例与 FAQ:有引用示例、贡献规则与 issue 模板,但无专门 FAQ(2)。已知局限:README 承认覆盖审计仍缺约 11%、分类为编辑判断、非官方结论(2)。许可证:LICENSE 为 CC BY 4.0 全文,但仓库元数据为 NOASSERTION,存在元数据与文件不一致(2)。版本与变更日志:仅“Built 2026-11-08”与四轮校验记录,无版本号或 CHANGELOG(1)。维护责任:发布者未经 FollowAgents 验证,身份未知,未见维护者名单或治理说明(1)。

有效结果9 / 13 · 3.5/5

输出可用性:记录为结构化 Markdown+YAML,dist/ 提供 JSON/CSV,index.html 可离线浏览,可直接用于分析(2)。边际价值:以 real_harm/ai_involvement/kind 三字段区分“真实伤害”与“研究演示”,相对普通事件列表有明确增量(2)。成本收益:静态数据、无需运行,获取成本低;但数据准确性依赖编辑判断且自认覆盖不全,收益受限于此(2)。

证据核验6 / 8 · 3.8/5

声明可追溯:每条记录要求至少一个可点击一手来源,0 条无来源,359 条为 A 级一手来源,引用含 id(3)。跨源印证:有 16 条标记 disputed 并并列双方说法,但多数记录为单一来源,未见系统性多源交叉(2)。事实与推断分离:有 kind/ai_involvement 标签与“分类为编辑判断”的免责声明,但严重度与分类仍混在记录中,分离不够彻底(2)。

风险与缓解建议
  • 仓库元数据许可证为 NOASSERTION,与 LICENSE 文件中的 CC BY 4.0 不一致,复用前需人工确认。
  • 发布者身份未经 FollowAgents 验证,维护责任与更新路径不明确。
  • CI 使用未固定 SHA 的第三方 action,且未见依赖锁定或漏洞扫描。
  • 数据准确性依赖编辑判断,README 自认覆盖审计仍缺约 11%,且部分记录为单一来源。
  • 无安装/运行说明与版本号/变更日志,复现构建需自行推断。
证据充分度:低 评估于 2026年11月17日 审查版本 a0d118c3665d
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/orca-ai-incident-archive.svg?lang=zh)](https://followagents.com/zh/agents/orca-ai-incident-archive)
<a href="https://followagents.com/zh/agents/orca-ai-incident-archive"><img src="https://followagents.com/badge/orca-ai-incident-archive.svg?lang=zh" alt="FARS 评测"></a>

常见问题

Orca AI 事件档案库 开源吗?
源码公开在 GitHub(Continuum-AI-Corp/Orca-AI-Incident-Archive),但仓库没有声明通用的开源许可证,能不能复用、修改并不明确。在此基础上开发前,建议先看 README 或询问作者。
Orca AI 事件档案库 安全吗?
FollowAgents 的 FARS 评审(2026年11月17日)给 Orca AI 事件档案库 的“信任与安全”打了 17/29 分。评审检查的 8 项安全措施没有完全缺失的。
Orca AI 事件档案库 还在维护吗?
在维护。GitHub 上最近一次提交是 2026-11-12,在最近 30 天内。
Orca AI 事件档案库 是谁开发的?
Orca AI 事件档案库 由 GitHub 账号 Continuum-AI-Corp 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关核心概念