Amp：AI 驱动的自动化安全漏洞分诊新范式
在高频漏洞挖掘工具（如 Claude Mythos）普及的背景下，安全团队正面临前所未有的挑战：海量的代码库、复杂的组件依赖以及数以千计的待验证报告，导致传统的人工分诊（Triage）模式不堪重负。Sourcegraph 近日宣布推出 Amp，一款基于 Deep Search 与 HackerOne 深度集成的自动化安全分诊系统，旨在通过 AI 技术将安全工程师从繁琐的初步调查中解放出来。
核心架构与工作流程
Amp 的工作流程高度自动化，主要包含以下关键步骤：
- 事件触发：系统监听 HackerOne 漏洞 bounty 平台的 webhook，一旦有新报告提交，立即触发自动化流程。
- 身份验证：服务首先验证 webhook 签名，确保报告来源的真实性。
- 深度调查：将漏洞报告详情通过 Deep Search API 发送给 AI 模型，模型会自动分析相关代码库，执行以下任务：
- 验证漏洞是否存在（Valid vs. Invalid）。
- 评估已存在的防护机制。
- 定位具体代码位置并提供修复建议。
- 挖掘报告中未提及但相关的逻辑漏洞。
- 结果反馈：调查完成后，Amp 在 HackerOne 平台上自动发布团队可见的评论，包含漏洞有效性结论、严重性评级、受影响代码链接及 Deep Search 对话记录。
关键能力与实战价值
Amp 不仅仅是一个自动回复工具，它在实际应用中展现了强大的技术深度：
- 自动化验证与修复指引：面对复杂的代码库，Amp 能在几分钟内完成原本需要数小时甚至数周的人工排查。例如，针对
src-cli组件的文件名未转义问题，Amp 不仅确认了漏洞，还直接给出了修复方案。 - 主动式漏洞发现：Deep Search 具备超越报告范围的洞察力。在分析 GraphQL 别名漏洞时，系统独立发现了一个关于管理员控制逻辑的严重缺陷，该缺陷并未在原报告中被提及，从而实现了“二次挖掘”。
- 上下文增强：生成的报告包含完整的 Deep Search 对话链接，允许安全工程师随时回溯分析过程或进行追问，确保决策的可追溯性。
挑战与应对策略
尽管 Amp 效果显著，但在实际部署中也暴露了一些需要精细调优的问题，Sourcegraph 团队提出了相应的解决方案：
| 问题 | 解决方案 |
|---|---|
| 报告者滥用 Token | 利用 Entitlements（权限控制）限制单位时间内的 Deep Search 提问次数，并采用仅限受邀的 bounty 项目以控制流量。 |
| 仓库映射不准确 | Deep Search 依赖关键词匹配，可能导致误判。建议将每个高优先级服务映射到具体的 Deep Search 仓库索引，以提高检索精度。 |
| 提示词注入风险 | 报告内容可能包含恶意 Payload。需结合 Entitlements、模型提供商的内置防御机制，并在发送给模型的 Prompt 中标记不可信输入。 |
行业意义
Amp 的发布标志着安全工程从“被动响应”向“主动防御”的范式转变。它证明了 LLM 不仅能理解代码，还能在复杂的工程环境中执行逻辑推理和漏洞挖掘。正如 Sourcegraph 团队所言：
"This project is a powerful example of how AI can augment security teams, allowing them to focus on high-impact remediation rather than routine investigation."
未来，此类系统有望成为现代漏洞管理（Vulnerability Management）的标配，帮助企业在高并发攻击下保持敏捷的响应能力。
原文作者：Carter Brainerd (Sourcegraph) 特别感谢：Justin Dorfman, Andre Eleuterio
