Google 開源 Mantis Agentic 框架:透過沙盒驗證降低資安漏洞誤報率

文章摘要

Google 開源 Mantis AI 框架,旨在自動化軟體漏洞的偵測、驗證、重現及修復流程。此框架透過結合沙盒環境進行漏洞重現,有效降低現有 AI 程式碼掃描工具常見的誤報率與虛假漏洞問題。Mantis 不僅能分析程式碼儲存庫歷史、安全修復紀錄、架構及威脅模型,更透過總結分析檔案為分層樹狀結構,大幅減少 85% 的 token 使用量,同時保留重要結構資訊。該框架採用 critic 和 reviewer 等標準 agentic 技術,篩選誤報並排序重要發現。Mantis 具備模組化架構,整合超過 15 種工具,能依據任務需求策略性搭配不同等級的 AI 模型,如輕量模型適用於分類,強大模型則用於漏洞重現與修復。Mantis 已於 GitHub 上開源。

AI 大叔解析

【核心判斷】
Google 開源的 Mantis 框架並非單純的漏洞掃描器,而是透過「沙盒驗證(Sandboxed Reproduction)」與「分層結構摘要」來解決傳統 AI 程式碼分析中,因誤報率過高(原文指低於 7% 的真陽性率)而導致的維運失效問題。該框架的核心突破在於將「LLM 推論」從單純的文字掃描,降階為「協作式代理工作流(Agentic Workflow)」,利用 Critic/Reviewer 代理機制與硬碟共享狀態,強制引入沙盒實證。限制方面,雖透過分層樹狀結構成功將 Token 使用量減少 85%,但技術瓶頸依然在於「負面過濾器(Negative Filter)」的權衡:過度積極的過濾將直接犧牲偵測率,證據不足以證明其能在不遺漏真實弱點的情況下達到完美去噪。

【毒舌吐槽】
看到「真陽性率低於 7%」這種數據,我只能說以前的 AI 程式碼掃描根本是在抽籤,而不是在資安健檢。Google 這次開源 Mantis 其實就是把「讓 AI 閉嘴」這件事系統化,透過硬碟儲存狀態與分層摘要這種相對「笨拙」但實際的手段,強迫模型在 hallucinated(幻覺)的邊緣踩剎車。說穿了,資安工具最怕的不是沒人報錯,而是每天丟給你幾千條假警報直到你麻痺,Mantis 的出現只是證明了「只要加上 Critic 代理,AI 就不會亂開支票」。至於那 15 種模組化工具,聽起來很豐富,但工程師最怕的就是這種牽一髮動全身的 Agentic Chain,一旦中間一個環節的狀態讀取錯誤,整個鏈條直接骨牌式崩盤。

【為什麼重要?】
這套框架最重要的改變在於「模型分級策略」的實務化。過去許多團隊迷信全部塞給最強大的模型來做掃描,導致 Token 成本與延遲不成比例。Mantis 明確建議將輕量模型用於分類與去重(mantis-researcher, mantis-dedupe),只有在「重現(Reproduce)」與「修復(Patch)」這種需要高度上下文理解的階段,才動用頂尖模型。這種針對任務類型進行「模型混用(Model Chaining)」的架構,是目前企業導入 AI Agent 基礎建設時,唯一能將運算成本控制在合理範圍的手段。

此外,該框架強制將「沙盒環境(Sandbox)」納入驗證機制,改變了過去僅靠 LLM 判斷漏洞真偽的模式。將工具鏈之間的溝通透過共享狀態與硬碟交換(Disk-based communication),雖然在 I/O 效率上不如記憶體傳輸,但卻提供了極佳的除錯追溯性,讓資安人員能明確知道到底是哪一個 Agent 在哪一步驟「腦補」出了漏洞。

【影響對象與建議】
1. **資安架構師**:建議導入 Mantis 作為現有 CI/CD 的過濾層,優先測試其「沙盒重現」功能是否能有效對接內部現有的測試套件,而非僅依賴其內建的 AI 判斷。
2. **DevOps 工程師**:由於該框架依賴多重 Agent 互動與硬碟共享狀態,請特別監控該框架在大型程式碼儲存庫中的 I/O 延遲,避免掃描任務成為 Pipeline 的 bottleneck。

【一句話總結】
Mantis 透過沙盒實證與模型分級,試圖拯救被 AI 幻覺淹沒的資安掃描流程。

【逆風觀點】
原文雖強調透過「負面過濾器(Negative Filter)」降低誤報,但 Google 同時承認「過度廣泛的過濾可能降低系統檢測能力」。目前證據不足以說明在不同程式語言與複雜度的專案中,如何設定這個「過濾器」的精確閾值,這意味著 Mantis 在極端複雜的程式碼庫中,仍可能面臨「漏報」與「誤報」之間的兩難。

想更了解這個話題?