Anthropic 开源 AI 漏洞自动发现与修复框架 Defending Code

导语：Anthropic 开源 Defending Code Reference Harness，这是一套基于 Claude 构建的自主漏洞发现与修复参考框架，将威胁建模、代码扫描、漏洞分级排序到补丁生成全部串联成自动化流水线。安全团队可直接参考或二次开发，一周内即可搭建自有漏洞扫描管道。

项目背景

自 Claude Mythos Preview 推出以来，Anthropic 与多家大型组织的安全团队展开了深度合作。在合作中积累的实践经验最终汇聚成了这套开源工具——Defending Code Reference Harness。

项目的核心理念是：用 AI 替代传统规则型静态分析工具，让安全扫描像人类研究员一样理解代码逻辑，而不是死板地匹配已知漏洞模式。传统工具能发现明文密码、过期加密算法等常见问题，但对业务逻辑漏洞、访问控制缺陷这类深层风险往往无能为力。

核心能力

该框架由两部分组成：

Claude Code Skills（交互式技能）提供四条核心指令。/threat-model 负责在目标代码库上构建威胁模型，划定扫描范围；/vuln-scan 基于威胁模型执行有边界约束的静态扫描；/triage 对扫描结果进行去重、验证和风险优先级排序；/patch 针对已确认漏洞自动生成候选修复方案。每条指令都具备独立的子代理，可精准绑定模型版本。

Harness 自主流水线（harness/）将上述能力整合为一条端到端链路：侦察 → 发现 → 验证 → 报告 → 修复。流水线针对 C/C++ 代码库中的内存安全漏洞进行了专项优化，内部使用 Docker 容器配合 AddressSanitizer 执行目标代码，并强制在 gVisor 沙箱中运行以确保隔离性。

工作流程

项目的推荐落地路径分为四个阶段。Day 1 的目标是走通全流程闭环——用 /threat-model 建立威胁模型，再用 /vuln-scan 和 /triage 完成第一次扫描与分级，最后用 /patch 产出候选补丁。到 Day 2，可将自主流水线跑在 C/C++ 示例库上进行端到端验证。Days 3–5 根据实际业务代码库调整检测器和漏洞类别。Week 2 启动常态化自主扫描、分级与补丁生成。

对于 C/C++ 内存安全漏洞场景，流水线使用 ASAN 插桩构建，在 gVisor 容器内运行目标代码，确保恶意 payload 不会逃逸到宿主机。