自动审计工具
Shannon:让 AI 真的去打一遍你的应用
渗透测试这件事,大多数团队一年做一次。剩下的 364 天里,代码照常合并、接口照常上线,没人知道这次提交有没有把某个查询参数直接拼进了 SQL。
Shannon(Keygraph 出品)想做的是把这部分变成「每次发版都能跑一遍」。它不输出「疑似存在注入风险」这种待人工确认的条目,而是让 AI 分析你的源码、找出攻击路径、然后真的去发请求打一遍,只有打出可用 PoC 的漏洞才会写进报告——官方把这套逻辑概括成一句话:No exploit, no report。
- 项目地址:https://github.com/KeygraphHQ/shannon
- 许可证:AGPL-3.0(商用另有授权)
- 热度:约 5.2 万 star、6.1k fork,最近一次提交就在昨天
- 代码构成:TypeScript,仓库用 pnpm + turbo 管理,扫描编排跑在 Temporal 上
它的工作方式
Shannon 同时吃两路输入:正在运行的应用地址,以及应用的源码仓库(只读挂载进容器)。两路各自产出候选漏洞,合并去重后交给「利用」阶段,打不出来的直接丢掉。
1 | 源码 ──┬─→ 侦察 + 漏洞分析(Injection/XSS/SSRF/认证/授权 分头跑) |
几个设计细节值得说:
- 代码分析不是给你一份 SAST 清单,它先把应用画清楚,再把「看起来可信的攻击路径」交下去验证,避免扫描器式的噪声。
- 「没打出来就不报」意味着误报理论上更少,但代价是漏报:没法主动利用的问题(一个有漏洞的依赖、一个错误的配置)它根本不提。
- 每次扫描起一个临时 Docker 容器,工作区隔离,源码只读挂载。
能力清单
| 能力 | 说明 |
|---|---|
| 真正利用 | 只报告有可复现 PoC 的漏洞 |
| 覆盖面 | 注入、XSS、SSRF、认证绕过、越权(OWASP 相关) |
| 认证态测试 | 支持账号密码、登录流程、TOTP、邮箱验证、测试范围与交战规则配置 |
| 可续跑 | 中断后从工作区恢复,不重复已完成的部分 |
| 报告产出 | PDF + Markdown 报告,外加 JSON 和 SARIF 2.1.0 |
| 原生 CI | 官方 GitHub Action、GitLab CI/CD 组件,可按严重程度卡发布 |
| 模型不限 | Anthropic、OpenAI、xAI、AWS Bedrock,任意兼容端点、Ollama/vLLM/LM Studio |
部署:三条路
前提条件基本一致:Docker(跑 worker 容器)、Node.js 22+(npx 方式)、以及你自己的模型 API Key。
1. npx 直接用(推荐)
1 | # 交互式向导,配好 provider 和凭证 |
第一次执行会从 Docker Hub 拉 worker 镜像,然后在本地起编排需要的组件。报告默认写到 ~/.shannon/workspaces/。
2. 源码构建
1 | git clone https://github.com/KeygraphHQ/shannon.git |
源码模式需要多一个 pnpm,报告落在仓库下的 ./workspaces/。
3. 塞进 CI
这是它最实用的一步:官方 Action 会在流水线里分析 checkout 下来的源码、攻击你指定的 staging 地址,并把报告和 SARIF 存成 artifact。
1 | - uses: actions/checkout@v4 |
fail-on-severity 只会被「已验证利用成功」的发现触发,代码分析阶段的假设不会卡流水线。Action 要求私有仓库、带 Docker Compose v2 的 runner,以及一个存在 secret 里的模型凭证。
使用:跑一轮会发生什么
start之后先做侦察和代码分析,终端里能看到各个 agent 在做什么,编排日志默认藏起来。- 想盯进度用
logs,看状态用status,列举历史扫描用scans。--follow会在扫完时退出并按结果返回,方便写进脚本。 - 需要登录态的目标,用一个 YAML 配置传进去,
-c config.yaml;只校验登录是否配置正确、不跑扫描,用--validate-auth。 - 跑完看输出目录:
1 | workspaces/{hostname}_{sessionId}/ |
PDF 是给人看的,SARIF 是给机器用的。把这个 SARIF 传到 GitHub code scanning,漏洞就会出现在 PR 的告警里。
一轮完整扫描通常要 1 到 1.5 小时,费用完全取决于你选的模型和目标的复杂度——毕竟每个请求都是真金白银的 token。
适合哪些人
- 手上有一堆内部系统、管理后台、API,但安全团队只有一两个人的公司。
- 自己写全栈、上线快、又请不起每年一次渗透测试的独立开发者。
- 需要在 CI 里对 staging 做「每次发版一次可利用性验证」的团队。
- 想做代码审计但不想只拿一堆待确认告警的安全工程师。
- 研究 AI agent 在真实攻击链上边界的人:多 agent 分工、Temporal 工作流、候选去重与队列设计都直接写在仓库里。
不适合:只有黑盒目标、没有源码的场景(那要上付费版);指望它替代人工渗透测试的人;以及不想为每次扫描付模型费用的团队。
优点
- 误报这一项确实有说服力。有 PoC 才算发现的机制,比传统扫描器的「疑似」有用得多。
- 开源版就是完整 agent,不是阉割 demo:本地跑、CI 跑、断点续跑、SARIF 输出都是齐的。
- BYOK 且不代理流量。模型请求直连你自己配置的端点,源码不会经过 Keygraph 服务器;换成 Ollama/vLLM 还能全本地。
- CI 集成是官方维护的,不是社区拼的脚本。严重程度闸门只认已验证发现,这个设计很克制。
- 文档写得实在:安全边界、成本、模型能力的差异、prompt injection 风险都单独成文,没把 AI 审计包装成银弹。
- 模型选择自由。benchmark 里用 DeepSeek v4 Flash、Grok 4.6、Claude Opus 5 都跑过,报告和 SARIF 都公开可比。
缺点与限制
- 它是有破坏性的工具。利用阶段会建用户、改数据、删记录、发出站请求。放在生产环境上跑,等于主动制造事故。必须是 staging、沙箱,最好是可丢弃的虚拟机。
- 覆盖范围窄。只针对认证、授权、注入、XSS、SSRF 这几类可主动利用的漏洞。依赖漏洞、配置错误、设计缺陷它都不管,这些要看 SCA 或人工审计。
- 报告仍需人工复核。官方自己写了「LLM 生成的报告可能包含依据薄弱的细节」,把结论直接贴进工单前得自己看一遍证据。
- 提示注入是真实风险。它会读你的源码,别拿它去扫来源不明的仓库。
- 一次一小时以上,成本不可忽略。频繁跑要算账,模型选小了效果会明显变差,选大了账单上见。
- 模型侧的合规门槛。Anthropic 和 OpenAI 对网络安全类负载有实时防护,不按它们的流程完成「合法安全测试者」验证,扫描可能中途被判停。
- 生态上的取舍:Claude Code 订阅已不支持(停在 1.9.0),现在走 ChatGPT Plus/Pro 或 xAI 订阅;仓库明确暂不接受外部代码贡献,只能提 issue。
- AGPL-3.0。内部自用没问题,但对外的网络服务化部署要注意开源义务,商用授权需要单独谈。
上手前的三条前提
第一,授权。只对你自己拥有或拿到书面授权的系统跑,这不是免责声明里的套话,Shannon 会真的打出洞来。
第二,环境隔离。把目标当成随时可以推倒重建的东西,别指望扫完数据还完好。预算里也要算上重建环境的成本。
第三,别把它当年度渗透测试的替代品。它最适合的位置是「每天都能跑的那一层」,把人工专家留给需要理解业务、串联攻击链的部分——这也是官方自己给的定位。
如果你手上正好有一台 staging 和一个能跑的源码仓库,npx 那条命令就是全部启动成本。跑完一轮拿到第一份带 PoC 的报告,值不值得接进流水线,看一眼就知道。
