AI 安全漏洞分析自动化：用 Claude 写一个能读懂你整个代码库的安全审计工具
AI 安全漏洞分析自动化：用 Claude 写一个能读懂你整个代码库的安全审计工具
很多人用 AI 审代码，都是把文件一段段粘贴进去，然后问"这里有没有安全问题"。
这种方式有个根本缺陷：AI 看不到上下文。一个函数里的 SQL 拼接是不是漏洞，取决于调用方有没有做输入校验。割裂地看，误报率极高，真正的问题反而容易漏掉。
HN 今天有篇讨论："AI is breaking two vulnerability cultures"，核心观点是 AI 正在同时冲击两种安全文化——一种是"靠人工慢慢审"，另一种是"靠规则引擎扫描"。AI 的优势在于能理解语义，但前提是你得把足够的上下文喂给它。
下面这个工具就是解决这个问题的：把整个 repo 的结构和关键文件一次性组织好，交给 Claude 做系统性安全审计。
思路
1. 递归遍历项目，过滤掉无关文件（node_modules、.git 等）
2. 优先读取高风险文件：路由定义、数据库操作、认证逻辑、配置文件
3. 构建一个结构化的 prompt，包含文件树 + 关键文件内容
4. 调用 Claude API，要求输出结构化的漏洞报告
整个流程大概 50 行 Python，跑一次能覆盖中小型项目的主要风险面。
完整代码
import os
import json
from pathlib import Path
from openai import OpenAI
# 无量Api 兼容 OpenAI 格式，改一行 base_url 即可
client = OpenAI(
api_key="your-api-key", # 在 api2everything.xyz 注册获取
base_url="https://api2everything.xyz/v1"
)
# 高风险文件关键词，优先读取
HIGH_RISK_PATTERNS = [
"route", "router", "controller",
"auth", "login", "token", "jwt",
"db", "database", "query", "model",
"config", "env", "setting",
"upload", "file", "exec", "shell"
]
SKIP_DIRS = {
"node_modules", ".git", "__pycache__", ".venv",
"venv", "dist", "build", ".next", "coverage"
}
SKIP_EXTS = {
".png", ".jpg", ".jpeg", ".gif", ".svg", ".ico",
".lock", ".sum", ".min.js", ".map"
}
def should_skip(path: Path) -> bool:
for part in path.parts:
if part in SKIP_DIRS:
return True
if path.suffix in SKIP_EXTS:
return True
return False
def is_high_risk(path: Path) -> bool:
name = path.stem.lower()
return any(pattern in name for pattern in HIGH_RISK_PATTERNS)
def collect_files(root: str, max_files: int = 60):
root_path = Path(root)
all_files = []
high_risk_files = []
for p in root_path.rglob("*"):
if p.is_file() and not should_skip(p):
rel = p.relative_to(root_path)
if is_high_risk(p):
high_risk_files.append(rel)
else:
all_files.append(rel)
# 高风险文件优先，总数控制在 max_files 以内
selected = high_risk_files[:max_files // 2]
remaining = max_files - len(selected)
selected += all_files[:remaining]
return sorted(selected), high_risk_files
def build_file_tree(root: str, files: list) -> str:
lines = [f"项目根目录: {Path(root).name}/"]
for f in files:
lines.append(f" {f}")
return "\n".join(lines)
def read_file_safe(path: Path, max_chars: int = 3000) -> str:
try:
content = path.read_text(encoding="utf-8", errors="ignore")
if len(content) > max_chars:
content = content[:max_chars] + "\n... [文件过长，已截断]"
return content
except Exception as e:
return f"[读取失败: {e}]"
def build_prompt(root: str, files: list, high_risk: list) -> str:
root_path = Path(root)
tree = build_file_tree(root, files)
sections = [
"你是一名资深安全工程师，请对以下代码库进行安全审计。",
"",
"## 项目文件结构",
"```",
tree,
"```",
"",
"## 高风险文件内容（重点审查）",
]
for rel in high_risk[:20]: # 最多读 20 个高风险文件
full_path = root_path / rel
content = read_file_safe(full_path)
sections += [
f"\n### {rel}",
"```",
content,
"```"
]
sections += [
"",
"## 审计要求",
"请按以下格式输出报告，每个问题单独列出：",
"",
"**[严重程度: 高/中/低]** 漏洞类型",
"- 位置: 文件名:行号（如能判断）",
"- 描述: 具体问题",
"- 利用方式: 攻击者如何利用",
"- 修复建议: 具体代码级别的修复方案",
"",
"重点关注：SQL注入、XSS、CSRF、不安全的反序列化、",
"硬编码密钥、路径遍历、命令注入、不当的权限校验、",
"敏感信息泄露、不安全的依赖。",
"",
"最后给出一个总体安全评分（0-100）和优先修复建议。"
]
return "\n".join(sections)
def audit_repo(repo_path: str, model: str = "claude-sonnet-4-5"):
print(f"正在扫描项目: {repo_path}")
files, high_risk = collect_files(repo_path)
print(f"共发现 {len(files)} 个文件，其中高风险文件 {len(high_risk)} 个")
prompt = build_prompt(repo_path, files, high_risk)
print(f"Prompt 长度: {len(prompt)} 字符，正在调用 Claude...")
response = client.chat.completions.create(
model=model,
messages=[
{"role": "user", "content": prompt}
],
max_tokens=4096,
temperature=0.2 # 安全审计需要确定性输出
)
report = response.choices[0].message.content
# 保存报告
output_file = Path(repo_path) / "security_audit_report.md"
output_file.write_text(f"# 安全审计报告\n\n{report}", encoding="utf-8")
print(f"\n报告已保存至: {output_file}")
print("\n" + "="*60)
print(report)
if __name__ == "__main__":
import sys
path = sys.argv[1] if len(sys.argv) > 1 else "."
audit_repo(path)
使用方式
pip install openai
python audit.py /path/to/your/project
报告会直接生成在项目根目录下的 security_audit_report.md。
几个实际跑出来的发现
在一个 Express + MongoDB 的项目上跑了一次，Claude 找到了：
- 一个
find()查询直接把req.query传进去，NoSQL 注入风险 - JWT secret 写在代码里而不是环境变量
- 文件上传接口没有校验 MIME 类型，只校验了扩展名
这三个问题，传统的静态扫描工具（ESLint security 插件）只发现了第三个。
关于模型选择和成本
这类任务 prompt 比较长（通常 8k-20k token），用官方 Claude API 跑一次大概要 $0.5-1。
我现在用的是 无量Api，同样的 claude-sonnet-4-5，价格是官方的 35% 左右，注册还送 ¥1 余额可以直接试。接入方式就是改一行 base_url，代码里已经写好了，直接用就行。
对于这种批量跑、频繁迭代的工具脚本，省下来的成本还是很可观的。
扩展方向
- 接入 GitHub Actions，每次 PR 自动触发审计
- 对比两次审计结果，只报告新增漏洞
- 针对特定框架（Django、Spring）定制高风险文件识别规则
代码逻辑不复杂，核心是上下文组织的方式。AI 能不能给出有价值的结论，80% 取决于你怎么喂数据。
有问题或者跑出来有意思的发现，评论区聊聊。觉得有用的话点个赞，后续还会写更多这类可以直接跑的工具。