⚡

对抗性 adversarial

多智能体对抗分析系统，用于代码安全，通过模拟攻击发现漏洞和弱点

安全审计 0 次安装 0 次浏览 更新于 3/4/2026

版本：2.88.0

name: 对抗性 description: 用于代码安全的多智能体对抗分析系统

对抗性代码分析器

受ZeroLeaks架构启发的多智能体对抗分析系统。

v2.88主要变更（模型无关）

  • 模型无关：使用在~/.claude/settings.json或CLI/env vars中配置的模型
  • 无需标志：与配置的默认模型一起工作
  • 灵活：适用于GLM-5、Claude、Minimax或任何配置的模型
  • 设置驱动：通过ANTHROPIC_DEFAULT_*_MODEL环境变量选择模型

将安全扫描模式应用于代码分析：专业智能体协同工作，系统地发现漏洞、弱点和质量问题。

架构

基于ZeroLeaks多智能体系统，适应于代码分析：

             协调者（引擎）
                    |
    +---------------+---------------+
    |               |               |
策略家     攻击者       评估者
    |               |               |
    +-------+-------+-------+-------+
                    |
                变异者

智能体角色

智能体 角色 焦点
引擎 协调分析，管理探索树 协调
策略家 根据代码库配置选择分析策略 策略
攻击者 生成攻击向量/测试用例 攻击
评估者 分析响应以寻找漏洞 评估
变异者 创建测试用例的变体 变化

智能体团队集成（v2.88）

最佳场景：集成（智能体团队+自定义子智能体）

对抗性分析使用智能体团队协调与专业ralph-*智能体进行多向量攻击模拟。

为什么对抗性选择场景C

  • 多智能体协调至关重要（策略家、攻击者、评估者、变异者）
  • 质量门验证漏洞发现
  • 特殊角色映射到ralph-*智能体
  • 通过共享任务列表协调攻击策略

子智能体角色

子智能体 在对抗性分析中的角色
ralph-reviewer 打击者 - 识别漏洞
ralph-researcher 策略家 - 映射攻击面
ralph-coder 评估者 - 创建测试用例

平行攻击分析

当智能体团队激活时：

  1. 团队领导协调多向量攻击分析
  2. ralph-reviewer并行识别安全弱点
  3. ralph-researcher映射代码库攻击面
  4. ralph-coder生成概念验证测试

智能体团队工作流程

  • 使用TeamCreate进行协调攻击分析
  • 任务协调跟踪漏洞发现
  • TeammateIdle触发发现的交叉验证

使用方法

/adversarial src/auth/
/adversarial --target 安全 src/api/
/adversarial --depth 5 --branches 4 src/

分析阶段

遵循ZeroLeaks分阶段方法：

1. 侦察   -> 理解代码库结构，依赖关系
2. 剖析        -> 构建防御配置文件（模式，保护措施）
3. 软探测       -> 温和的分析尝试
4. 升级       -> 增加分析强度
5. 利用     -> 积极寻找漏洞
6. 持久性      -> 验证发现在不同场景中的持续性

分析类别

类别 描述 示例
direct 直接的漏洞检查 SQL注入，XSS
encoding 编码/解码问题 Base64，Unicode，转义
persona 身份/权限绕过 权限提升
social 信任边界违规 SSRF，CSRF
technical 技术实现问题 竞态条件，内存
crescendo 多步骤升级路径 链式漏洞
many_shot 基于模式的检测 重复的反模式
cot_hijack 逻辑流操纵 商业逻辑缺陷
policy_puppetry 配置利用 配置错误
context_overflow 资源耗尽 DoS，内存泄漏
reasoning_exploit 算法弱点 加密问题

配置

adversarial_config:
  max_turns: 25           # 最大分析迭代次数
  max_tree_depth: 5       # 每个向量探索的深度
  branching_factor: 4     # 平行探索路径
  pruning_threshold: 0.3  # 放弃路径的得分下限

  enable_crescendo: true  # 多轮升级
  enable_many_shot: true  # 基于模式的检测
  enable_best_of_n: true  # 生成变体
  best_of_n_count: 5      # 每个测试的变体

策略

1. 行为侦察（优先级：100）

id: recon_behavioral
applicable_when:
  turn_range: [1, 3]
  leak_status: ["none"]
attack_sequence:
  - category: direct
    weight: 0.4
    techniques: ["structure_probe", "dependency_scan"]
  - category: technical
    weight: 0.3
    techniques: ["config_analysis", "boundary_test"]

2. 凭证/密钥扫描（优先级：95）

id: credential_hunt
applicable_when:
  defense_level: ["none", "weak"]
attack_sequence:
  - category: direct
    weight: 0.5
    techniques: ["secret_scan", "env_probe"]
  - category: encoding
    weight: 0.3
    techniques: ["base64_secrets", "obfuscated_creds"]

3. 信任边界分析（优先级：90）

id: trust_boundary
applicable_when:
  defense_level: ["weak", "moderate"]
attack_sequence:
  - category: crescendo
    weight: 0.4
    techniques: ["privilege_escalation", "trust_chain"]
  - category: persona
    weight: 0.3
    techniques: ["identity_bypass", "role_confusion"]

4. 输入验证绕过（优先级：85）

id: input_bypass
applicable_when:
  defense_level: ["moderate", "strong"]
  failed_categories: ["direct"]
attack_sequence:
  - category: encoding
    weight: 0.4
    techniques: ["unicode_bypass", "encoding_chain"]
  - category: technical
    weight: 0.3
    techniques: ["format_injection", "boundary_overflow"]

5. 高级复合（优先级：80）

id: advanced_composite
applicable_when:
  defense_level: ["strong", "hardened"]
  failed_categories: ["direct", "encoding", "persona"]
attack_sequence:
  - category: cot_hijack
    weight: 0.25
    techniques: ["logic_flow_manipulation"]
  - category: crescendo
    weight: 0.25
    techniques: ["multi_step_chain"]
  - category: reasoning_exploit
    weight: 0.25
    techniques: ["algorithm_weakness"]

防御配置文件输出

interface DefenseProfile {
  level: "none" | "weak" | "moderate" | "strong" | "hardened";
  confidence: number;
  observedBehaviors: string[];
  guardrails: {
    type: string;
    strength: number;
    bypassed: boolean;
    bypassMethod?: string;
  }[];
  weaknesses: {
    category: AttackCategory;
    description: string;
    exploitability: number;
  }[];
  safePatterns: string[];
  responsePatterns: {
    pattern: string;
    frequency: number;
    defenseIndicator: boolean;
  }[];
}

发现分类

严重性等级

状态 严重性 描述
complete CRITICAL 完全暴露的漏洞
substantial CRITICAL 重大安全问题
fragment HIGH 部分漏洞
hint MEDIUM 潜在问题的迹象
none LOW 未发现漏洞

发现输出

interface Finding {
  id: string;
  turn: number;
  timestamp: number;
  extractedContent: string;
  contentType: "vulnerability" | "weakness" | "smell" | "risk" | "unknown";
  technique: string;
  category: AttackCategory;
  confidence: "high" | "medium" | "low";
  evidence: string;
  severity: "critical" | "high" | "medium" | "low";
  verified: boolean;
  recommendation: string;
}

与Ralph Loop集成

# 对抗性分析作为验证的一部分
步骤 7：验证
  └── 7a. 质量审计员    (标准)
  └── 7b. 门            (标准)
  └── 7c. 对抗性代码   （这项技能）  <- 复杂度 >= 7时调用
  └── 7d. 对抗性计划   (标准)

调用

重要：使用现有的安全智能体而不是不存在的adversarial-code-analyzer。

任务：
  subagent_type: "security-auditor"
  model: "opus"
  prompt: |
    TARGET_PATH: src/auth/
    ANALYSIS_TYPE: 安全
    CONFIG:
      max_turns: 25
      enable_crescendo: true
      enable_best_of_n: true

    对目标代码库进行全面的安全审计。

交叉验证的替代方案：

# 使用codex-cli进行第二意见
/codex-cli analyze security --target src/auth/

# 或使用gemini-cli进行替代分析
/gemini-cli search security vulnerabilities in src/auth/

输出格式

{
  "scan_result": {
    "overall_vulnerability": "medium",
    "overall_score": 65,
    "leak_status": "fragment",
    "findings": [...],
    "defense_profile": {...},
    "recommendations": [...],
    "summary": "Analysis identified 3 potential vulnerabilities..."
  },
  "analysis_tree": {
    "nodes_explored": 47,
    "max_depth_reached": 4,
    "successful_paths": 3
  },
  "strategies_used": [
    "recon_behavioral",
    "credential_hunt",
    "trust_boundary"
  ]
}

CLI命令

重要：使用现有的技能和工具进行对抗性分析：

# 使用security-auditor智能体（可用）
任务 subagent_type=security-auditor model=opus "对src/auth/进行全面的安全审计"

# 使用codex-cli进行交叉验证（可用）
/codex-cli analyze security --target src/auth/

# 使用gemini-cli进行替代分析（可用）
/gemini-cli search "security vulnerabilities SQL injection XSS" --count 10

# 基于grep的手动安全扫描
grep -r "eval\|exec\|system\|innerHTML" src/
grep -r "SELECT.*WHERE.*\+" src/  # SQL注入模式
grep -r "md5\|sha1" src/           # 弱哈希

最佳实践

  1. 从侦察开始：攻击前总是先进行剖析
  2. 适应防御：每个响应都能了解代码库
  3. 层叠技术：结合多个向量针对硬化的代码
  4. 验证发现：在报告前总是验证发现
  5. 记录模式：跟踪成功的技术以备将来使用

归属

策略模式改编自ZeroLeaks AI安全扫描器架构（FSL-1.1-Apache-2.0）。

行动报告（v2.93.0）

这项技能生成完整的自动报告用于可追溯性：

自动报告

当这项技能完成时，会自动生成：

  1. 在Claude的对话中：可见的结果
  2. 在仓库中：docs/actions/adversarial/{timestamp}.md
  3. 元数据JSON：.claude/metadata/actions/adversarial/{timestamp}.json

报告内容

每个报告包括：

  • ✅ 摘要：执行的任务描述
  • ✅ 执行细节：持续时间，迭代次数，修改的文件
  • ✅ 结果：发现的错误，建议
  • ✅ 后续步骤：建议的下一步行动

查看以前的报告

# 列出这项技能的所有报告
ls -lt docs/actions/adversarial/

# 查看最新的报告
cat $(ls -t docs/actions/adversarial/*.md | head -1)

# 搜索失败的报告
grep -l "Status: FAILED" docs/actions/adversarial/*.md

手动生成（可选）

source .claude/lib/action-report-lib.sh
start_action_report "adversarial" "任务描述"
# ...执行...
complete_action_report "success" "摘要" "建议"

系统参考