用华为云码道CodeArts开发AI安全审计Agent:让大模型自己当安全工程师,从架构到实战全解析
网站漏洞扫描智能体操作演示
摘要:本文完整记录了一个基于华为云码道 CodeArts 代码智能体开发的 AI 安全审计系统(VulnAgent)的工程实践。系统采用 Agent 范式,让大语言模型(LLM)自主规划侦察步骤、调用 22 个原子化安全工具、分析响应并生成结构化报告,全程无需人工干预。文章从架构设计、安全合规、代码质量、UI/UX、真实 Bug 修复到技术前景,系统阐述了 LLM + Loop + Tools + HarnessEngine + laya 分级模型的完整技术栈,并分享了用 CodeArts 智能体驱动整个开发流程的实践经验。
目录
做安全扫描,工具链其实早就成熟了。Burp Suite、AWVS、Nessus 这些名字每个安全工程师都烂熟于心。但说实话,用起来总有一种「我在操作工具」而不是「有人在帮我审计」的感觉。你得自己判断先扫哪里、后扫哪里,得自己看响应判断有没有漏洞,得自己写报告。
这次参加华为云码道 CodeArts AI 编程挑战赛,我想尝试一种不同的做法:用 CodeArts 代码智能体来开发一个让大模型自己当安全工程师的系统。它自己规划侦察步骤,自己调用工具发请求,自己看响应判断漏洞,自己写报告。整个过程在一个循环里自动完成,人只需要给一个目标 URL。
这篇文章记录的是这套系统的完整工程实践——从架构设计到模型分级,从桌面化到测试策略,以及用 CodeArts 智能体开发过程中踩过的那些坑。所有代码和数据都来自真实项目,不是 PPT 架构。
开源仓库:https://atomgit.com/qq_36034945/vulnerability-scanning-agent
技术栈:Python 3.12 + PySide6 + DeepSeek V4 Flash + laya + torch
规模:43 源文件 6930 行代码,326 测试全绿,7 页面桌面应用
一、开发方式:华为云码道 CodeArts 代码智能体实战

这个项目从头到尾是用华为云码道 CodeArts 代码智能体开发的。不是「用 AI 辅助写代码」,而是「让 AI 驱动整个开发流程」。
概念解释:代码智能体(Code Agent) 是一种具备文件读写、终端执行、测试运行等能力的 AI 编程工具,它不仅能补全代码,还能自主完成规划、编码、验证、调试、重构等完整开发环节。
具体来说,开发过程是这样的:
- 规划阶段:给 CodeArts 描述需求——“集成 laya 模型做漏洞分级、开发桌面应用、UI 现代化”——它自动生成规划文档,拆分成 P0 到 P5 六个阶段。
- 编码阶段:CodeArts 读取项目现有代码,理解架构约定,然后生成新模块。laya 分级模块的 4 个文件、UI 组件库的 6 个组件、7 个页面——都是它写的。
- 测试阶段:要求"模拟真人用户测试每个功能点",CodeArts 自动生成 FakeLLM 测试替身、326 个测试用例、6 组验收数据。
- 调试阶段:扫描运行时出现中文乱码、429 限流、英文思维链——每个 bug 我把终端日志贴给 CodeArts,它定位根因并修复。
- 重构阶段:harness.py 超过 400 行,CodeArts 自动拆分出 harness_types.py,提取重复逻辑为 helper 方法,保持所有测试通过。

以前觉得 AI 编程就是补全代码、生成函数。现在发现,当智能体有了文件读写、终端执行、测试运行的能力后,它实际上可以驱动整个开发循环——规划、编码、验证、调试、重构。这和 LLM 在安全审计里做的事本质上是一样的:给一个目标,自主规划,调用工具,验证结果,迭代改进。
二、架构设计:LLM + Loop + Tools 的 Agent 范式

2.1 核心问题:为什么不是「LLM + 扫描器」
最直觉的做法是让 LLM 调用一个现成的扫描器,然后总结结果。但这有三个问题:
扫描器是黑盒。LLM 看不到扫描过程中的 HTTP 请求和响应,没法做中间判断。一个 SQL 注入检测可能发了十几个 payload,有些返回 500,有些返回 200 但内容不同——这些中间信号对判断漏洞类型至关重要,但扫描器只给一个最终结论。
扫描器是死的。它按预设规则跑,不会根据目标特征调整策略。看到一个 React SPA 和看到一个 PHP 老站,应该用完全不同的侦察路径,但扫描器不区分。
报告是模板。扫描器输出的报告是固定模板填数据,不会有「这个漏洞为什么严重」「在当前业务上下文下有什么影响」这种分析。
所以选了另一条更难走的路:让 LLM 自己当扫描器。给它一组原子化的安全工具(HTTP 请求、SQL 注入检测、JS 逆向等),让它在一个循环里自主决定调用哪个工具、用什么参数、怎么解读结果。这就是所谓的 Agent 范式。
概念解释:Agent 范式(Agent Paradigm) 是一种以 LLM 为核心决策者、通过循环调用外部工具来完成复杂任务的架构模式,核心三要素是 LLM 做决策、Tools 做执行、Loop 做迭代。
2.2 整体架构:LLM + Loop + Tools + HarnessEngine + laya

整个系统的核心是一个叫 HarnessEngine 的循环引擎。名字借鉴了 AI 安全领域的 “harness” 概念——给模型一套工具和一个安全边界,让它在里面自主行动。
概念解释:Harness(约束框架) 在 AI 安全领域指为模型提供工具集合并划定安全边界的运行环境,模型在其中自主决策但无法越界。
┌────────────────────────────────┐
│ HarnessEngine │
│ (循环调度 / 范围约束 / 报告) │
└──────────────┬─────────────────┘
│ add_finding
┌────────────────┼────────────────┐
│ │ │
▼ ▼ ▼
┌──────────────┐ ┌─────────────┐ ┌──────────────┐
│ laya_cls/ │ │ LLM Client │ │ Tool Registry│
│ AI 三档分级 │ │(DeepSeek V4)│ │ (22 个工具) │
└──────────────┘ └──────┬───────┘ └──────┬───────┘
│ │
┌──────────────┘ │
│ (一轮一轮 Loop) │
└────────────────────────────────────┘
│
▼
┌──────────────────┐
│ PySide6 桌面UI │
│ 侧边栏 + 7 页面 │
└──────────────────┘
2.3 循环是怎么转的
每一轮迭代做五件事:
- 把对话历史和工具 schema 发给 LLM
- LLM 返回思考过程(reasoning)和工具调用请求(tool_calls)
- 逐一执行工具,把结果回传到对话历史
- 检查终止条件:LLM 停止调工具 / 达到最大迭代 / 检测到重复循环
- 如果 LLM 上报了漏洞(通过
report_finding工具),注入分级器做二次复核
关键设计:工具调用的结果直接回传给 LLM,不经过任何中间处理。LLM 能看到完整的 HTTP 响应头、响应体、状态码,能自己判断「这个 500 错误暴露了 SQL 语句,说明有注入」。这是黑盒扫描器做不到的。
2.4 22 个原子工具
工具层是整个系统的基础设施。拆成 22 个原子工具,让 LLM 像搭积木一样组合使用:
概念解释:原子工具(Atomic Tool) 指功能单一、不可再分的最小工具单元,LLM 可以像搭积木一样自由组合它们来完成复杂任务。
| 分类 | 工具 | 作用 |
|---|---|---|
| HTTP | http_request / tech_detect / check_security_headers |
请求与指纹识别 |
| 网络 | dns_lookup / port_scan / ssl_cert_info / whois_lookup |
资产梳理 |
| 侦察 | dir_bruteforce / discover_files / analyze_js / fetch_js_endpoints / scan_form |
攻击面发现 |
| Web安全 | sql_injection_check / xss_check / open_redirect_check / directory_listing_check / cve_lookup |
漏洞验证 |
| 本地代码 | list_files / read_file / search_code / run_command |
代码审计 |
| 报告 | report_finding |
结构化上报 |
每个工具都受授权范围(Scope)约束,越权请求直接拒绝。
2.5 一个真实的扫描过程
以对内置靶场(故意包含多种漏洞的 Flask 应用)的扫描为例:
概念解释:靶场(Target Range) 指故意部署了多种已知漏洞的测试应用,用于安全工具的功能验证和效果评估。
第 1 轮(侦察):http_request 获取首页 → tech_detect 识别技术栈 → check_security_headers 检查安全头 → discover_files 探测敏感文件。5 个工具并行。
第 2 轮(攻击面):dir_bruteforce 探测目录 → analyze_js 提取 JS → scan_form 解析表单 → port_scan 扫端口。
第 3 轮(验证):sql_injection_check 测登录接口 → xss_check 测搜索接口 → open_redirect_check 测重定向参数。
第 4 轮(上报):确认的漏洞逐条调用 report_finding 上报,含完整 title/severity/category/target/description/evidence/remediation。
第 5 轮(收敛):输出「### 审计完成」开头的中文总结,停止调用工具。
整个过程不需要人工干预。LLM 自己决定先做什么后做什么,根据每一轮的工具返回结果调整下一轮的策略。
三、安全合规设计:授权、非破坏性与数据隐私
安全审计工具自身的安全性是不能忽视的。这个项目在安全合规方面做了几层防护:
3.1 授权范围约束
所有网络工具在执行前都过 Scope 校验。用户指定 --scope 127.0.0.1,那任何对非 127.0.0.1 的请求直接拒绝,不管 LLM 怎么要求。这是硬编码的安全边界,不依赖 LLM 自觉。
概念解释:授权范围(Scope) 指用户明确指定的允许扫描的目标范围,系统通过硬编码校验强制约束,防止越权访问。
# vulnagent/scope.py
class Scope:
def authorize(self, target: str) -> bool:
"""检查目标是否在授权范围内。"""
# 严格匹配,不支持通配符扩展
3.2 非破坏性探测
系统提示词明确约束:只做检测与验证,绝不进行数据窃取、破坏或大规模攻击。工具层的 payload 都是最小化的检测 payload——比如 SQL 注入只发 ' 和 ' OR '1'='1,不发 '; DROP TABLE--。
概念解释:Payload(攻击载荷) 指发送给目标系统的恶意输入数据。非破坏性探测使用最小化 payload,仅验证漏洞存在性而不造成实际破坏。
3.3 laya 决策模型:漏洞分级「二审」

report_finding 工具允许 LLM 在上报时自己定 severity。但 LLM 定级别不太靠谱——经常把信息泄露标成 critical,又把真正的 SQL 注入标成 medium。
解决方案是加一个独立的分级模型做二次复核。选了 laya——Convai Innovations 开源的决策模型,CPU 上单次推理 200-460ms,不依赖 GPU。
概念解释:决策模型(Decision Model) 指专门用于分类或决策任务的轻量级 AI 模型,相比通用大模型更小、更快、可本地部署。
关键设计:用 choice 题型做三档分类。不是让模型生成文字然后解析,而是给它选项让它做单选题。这比开放生成稳定得多。
# vulnagent/laya_cls/questions.py
def build_questions(finding: dict) -> list[dict]:
state = build_state(finding)
return [{
"question_type": "choice",
"question": "根据以上漏洞信息,判断严重程度",
"choices": ["high", "medium", "low"],
"state": state,
}]
分级器注入点选在 HarnessEngine.add_finding()——每条发现被收集时先过分级器,再追加到报告。不侵入工具层,不改变 LLM 行为,只是一个后处理步骤。
# vulnagent/harness.py
def add_finding(self, **kwargs) -> Finding:
f = Finding(**kwargs)
if self.classifier is not None:
self._classify_finding(f) # laya 或规则分级
self.findings.append(f)
self.callbacks.on_finding(f)
return f
分级策略:
- info 不参与分级:纯信息性发现不需要严重程度复核
- critical 归并进 high:laya 是三档制,critical 直接归 high
- 置信度阈值:低于 0.4 保留 LLM 原判并标记「待人工复核」
- 规则兜底:laya 不可用时自动回退到 RuleClassifier,保证系统任何情况下都能工作
3.4 数据隐私
分级在本地完成,扫描结果不上传到第三方。laya 模型本地推理,不联网,不消耗 API 额度。这对安全审计场景特别重要——漏洞数据不应该外泄。
五、UI/UX 设计
5.1 为什么是桌面应用
安全审计工具做成 Web 服务有个天然矛盾:你要扫描的目标可能在内网,但你的 Web 服务在云上。桌面应用没有这个问题——本地运行,直接访问内网目标。
选 PySide6 而不是 Electron,因为整个后端是 Python,不想引入 Node.js 依赖链。PySide6 是 Qt 的 Python 绑定,性能足够,组件丰富。
5.2 七页面侧边栏架构
┌──────────┬──────────────────────────────┐
│ ◆ VulnAgent│ 漏洞扫描 │
│ │ ┌────────────────────────┐ │
│ 🎯 扫描 │ │ 目标 URL [________] │ │
│ 💻 代码审计│ │ 扫描模块 [完整审计 ▼] │ │
│ 💬 对话 │ │ 最大迭代 [40] │ │
│ 🗂 发现管理│ │ [▶ 开始] [■ 停止] │ │
│ 📄 报告 │ └────────────────────────┘ │
│ ⚙ 设置 │ 思维链 · 工具调用 发现列表│
│ 🔍 自检 │ ┌──────────┬──────────┐ │
│ │ │ 分析目标… │ 发现 0 项 │ │
│ v2.0.0 │ │ 调用 5 工具│ │ │
│ 仅授权使用 │ └──────────┴──────────┘ │
└──────────┴──────────────────────────────┘
七个页面各有职责:扫描页给 URL 跑扫描,代码审计页给本地路径跑静态分析,对话页自由下达任务,发现管理页汇总所有扫描结果并支持重新分级,报告页浏览历史报告,设置页配置 API Key 和 laya 参数,自检页验证工具链完整性。
5.3 设计令牌系统
UI 的视觉一致性靠一套设计令牌保证。所有颜色、字体、间距都定义在 theme.py 的 Tokens 类里,QSS 由令牌生成:
class Tokens:
BG = "#0A0D12" # 应用底色
SURFACE = "#11151C" # 卡片表面
ACCENT = "#6E7BFF" # 主强调(靛蓝紫)
SUCCESS = "#3FB950"
DANGER = "#F85149"
FONT = '"Segoe UI Variable Text", "Microsoft YaHei UI", system-ui, sans-serif'
视觉方向参考 Linear / Vercel / Raycast 的深色质感——不是花哨的渐变和毛玻璃,而是克制的颜色、清晰的层次、安静的专注感。安全审计是个严肃的工作,UI 不应该分散注意力。
5.4 后台线程与信号桥接
LLM 调用是长时间 I/O 操作,不能阻塞 UI 线程。用 QThread 把 HarnessEngine 放到后台跑,通过 Qt 信号把事件推到 UI:
class AgentWorker(QThr reasoning_delta = Signal(int, str) # 思维链增量
content_delta = Signal(int, str) # 正文增量
tool_call = Signal(int, str, str) # 工具调用
finding_added = Signal(dict) # 发现上报
done = Signal(dict) # 完成
failed = Signal(str) # 失败 # 失败
UI 侧的 StreamingReasoningView 组件接收信号,把思维链逐 token 追加到界面——用户能看到 LLM「正在思考」的实时效果。这个体验是命令行给不了的。
六、真实 bug 的修复
这部分是实际运行中遇到的问题和修复过程。每个 bug 都有真实的错误日志。
6.1 SSE 流编码乱码
现象:LLM 的回复显示为乱码——æå°å¯¹ www.csdn.net æ§è¡ç³»<»å®¡è®¡ 而不是中文。
根因:requests 库的 iter_lines(decode_unicode=True) 用 resp.encoding 解码。当 SSE 响应没有 charset 头时,requests 默认用 ISO-8859-1。UTF-8 编码的中文被按 Latin-1 解码,就乱了。
修复:一行代码——在 iter_lines 前显式设置编码:
resp.encoding = "utf-8"
for raw_line in resp.iter_lines(decode_unicode=True):
...
这种 bug 很隐蔽。工具结果是 Python 字符串,不受影响。只有 LLM 的 content 字段——从 SSE 流直接解码——才会乱码。
6.2 API 限流(429 rpm exhausted)
现象:迭代到第 6 轮,LLM 返回 HTTP 429: {"error":{"message":"rpm exhausted"}},扫描中止。
根因:SenseNova API 有每分钟请求数限制。Agent 每轮调一次 LLM,工具执行快时一分钟跑十几轮,超限。
修复:三层防御:
# 第一层:请求间最小间隔(主动限速)
@classmethod
def _rate_limit_wait(cls) -> None:
min_interval = 2.0 # 秒
elapsed = time.time() - cls._last_call_time
if elapsed < min_interval:
time.sleep(min_interval - elapsed)
cls._last_call_time = time.time()
# 第二层:429 专用指数退避 + 随机抖动
@staticmethod
def _backoff_429(attempt: int) -> float:
wait = 5.0 * (2 ** attempt) + random.uniform(0, 2.0)
return min(wait, 120.0) # 上限 2 分钟
# 第三层:429 重试 8 次(其他错误只重试 3 次)
max_429_retries = 8
6.3 侧边栏焦点虚线框
现象:点击侧边栏导航按钮后,按钮周围出现矩形虚线框。
根因:Qt 默认给焦点控件画指示器。深色主题下特别突兀。
修复:QSS 加 outline: none;。
6.4 英文思维链
现象:LLM 的 reasoning 用英文输出,虽然回复和报告是中文。
根因:系统提示词没要求思考过程也用中文。
修复:在系统提示词开头加强制指令:
## 语言要求(强制)
- 所有思考(reasoning)、分析、回复、总结必须使用简体中文。
- 禁止使用英文思考或回复。
6.5 漏洞查找能力不足
现象:扫描完成后发现漏洞数量少,漏报率高。
根因:系统提示词对扫描流程指导太笼统。
修复:重写系统提示词,加入四阶段工作流和漏洞判断要点。特别是加了「漏洞判断要点」一节,把每种漏洞的判断信比如「注入 ' 后返回 500/数据库报错」「注入 <script> 后响应体原样包含该字符串」。该字符串」。这比泛泛地说「检测 SQL 注入」有效得多。
七、技术前景与当下影响
7.1 Agent 范式正在成为主流
“Agent” 已经从模糊概念变成可工程化的架构模式。核心要素就三个:LLM 做决策、Tools 做执行、Loop 做迭代。这套架构不只适用于安全审计——任何需要「自主规划 + 工具调用 + 迭代验证」的任务都能用。
但 Agent 工程化有几个独特挑战,是这个项目踩过的:
频率控制。LLM API 不是无限流的。一个 Agent 跑 40 轮迭代,每轮调一次 LLM,很容易触发限流。需要主动限速 + 被动退避 + 差异化重试。这个项目用 2 秒最小间隔 + 指数退避 + 随机抖动三层防御,实测能稳定跑完 40 轮。
编码处理。LLM 的输出经过 SSE 流、JSON 解析、UI 渲染多层转码,任何一环的编码假设错误都会导致乱码。这个项目的 bug 就出在 requests 库默认用 ISO-8859-1 解码 SSE 流——一个只有非 ASCII 字符才会触发的隐蔽 bug。
线程安全。LLM 推理在后台线程,UI 在主线程,信号跨线程传递。Qt 的信号槽机制本身是线程安全的,但需要保证 worker 线程结束时所有排队信号都已投递——否则 UI 上的断言会时序失败。
7.2 本地决策模型的崛起
laya 的使用代表一个趋势:**不是所有 AI 判断都需要调云端大模分级这个任务——给定一条漏洞信息,判断 high/medium/low——不需要 70B 参数的通用模型。的通用模型。一个专门的决策模型在 CPU 上 200ms 就能完成,不需要联网,不需要 API Key,不消耗 token 额度。
这种「云端 LLM 做复杂推理 + 本地模型做快速判断」的混合架构,在边缘计算和隐私敏感场景下会越来越常见。安全审计尤其适合——扫描结果不应该上传到第三方做分级。
7.3 AI 代码智能体改变开发方式
用 CodeArts 开发这个项目的过程,本身就是 Agent 范式在软件开发领域的应用。CodeArts 读了项目代码、写了新模块、跑了测试、修了 bug、做了重构——和 VulnAgent 扫漏洞的过程本质上一样:给一个目标,自主规划,调用工具,验证结果,迭代改进。
这说明 Agent 范式不限于安全审计。写代码、做运维、数据分析——任何有明确工具链和验证手段的领域,都可以用这套架构。2025 年下半年,我们正在看到 Agent 从"概念"走向"工程",从"demo"走向"产品"。
7.4 不足与展望
漏报率仍然偏高。对于复杂漏洞链(SSRF → 内网探测 → Redis 未授权 → RCE),LLM 很难在 40 轮迭代内完整发现。
工具粒度不够细。当前 22 个工具偏粗——sql_injection_check 内部固定了几种 payload,不能根据目标特征动态调整。
多目标并行扫描。当前架构是单线程单目标的,对于大型资产清单需要多 Agent 并行能力。
未来最值得探索的方向是多 Agent 协作:一个 Agent 做侦察,一个做漏洞验证,一个做代码审计,结果汇总到协调 Agent 做去重和分级。这比单 Agent 大循环更可控、更高效。
八、写在最后
这个项目从最初的「让 LLM 调工具扫漏洞」的想法,到最后 43 个源文件 6930 行代码、326 个测试、7 个 UI 页面、laya 分级集成、5 个工程 bug 修复——整个过程用华为云码道 CodeArts 代码智能体驱动开发,从规划到交付大HarnessEngine 的循环 + 工具注册表 + 信号回调这三层抽象,把复杂度控制在了可管理范围内。管理范围内。添加一个新工具只需要写一个 Tool 子类,注册到 build_registry(),LLM 自动就能用它。添加一个新 UI 页面只需要继承 TaskRunnerPage,实现 build_form 和 collect_task,侧边栏自动就多一个入口。
这种扩展性是 Agent 架构相比传统扫描器的根本优势。规则引擎添加一条新规则,需要改规则文件、改扫描逻辑、改报告模板。Agent 架构添加一种新漏洞检测能力,只需要加一个工具——LLM 自己会学会什么时候用它。
这就是 Agent 范式的承诺:不是写一个更聪明的扫描器,而是造一个会自己变聪明的审计师。
开源仓库:https://atomgit.com/qq_36034945/vulnerability-scanning-agent
技术栈:Python 3.12 + PySide6 6.11 + DeepSeek V4 Flash + laya 0.3.5 + torch 2.14 + transformers 5.17
项目规模:43 源文件 6930 行 | 326 测试全绿 | 22 工具 | 7 页面 UI
开发工具:华为云码道 CodeArts 代码智能体
更多推荐



所有评论(0)