AI-Infra-Guard：腾讯朱雀实验室的AI红队全栈安全平台

当你的AI服务器悄悄向黑客敞开大门

想象一下这个场景：你花了几十万部署了一套基于 vLLM 的企业内部大模型服务，限定了内网 IP，信心满满地认为安全无虞。然而某天，安全团队发现攻击者只需要访问一个特定的接口路径，就能绕过所有鉴权，直接读取对话历史，甚至拿到模型权重——而这个漏洞，CVEs 收录了，但你的扫描器从未告警。

这并非危言耸听。Ollama、vLLM、ComfyUI、n8n 这些主流 AI 框架每年都会涌现数十个高危漏洞。AI 安全攻防的窗口期极短，传统的网络扫描工具对 AI 组件指纹识别能力不足，而人工排查又难以覆盖 64 种框架、1300+ CVE 变种。AI-Infra-Guard（A.I.G） 正是为解决这一痛点而生。

朱雀实验室：腾讯的安全底牌

A.I.G 由**腾讯安全平台部朱雀实验室（Tencent Zhuque Lab）**主导开发。朱雀实验室成立于 2019 年，是腾讯在 AI 安全领域最顶尖的实战攻防团队，研究方向覆盖大模型安全、AI 智能体安全、AI 赋能安全与 AIGC 检测等多个维度。

这支团队的战绩颇为亮眼：曾协助 英伟达、谷歌、微软 等国际巨头修复大量高危漏洞，并获得官方公开致谢；同时为 OpenClaw、Linux 基金会、Hugging Face 等开源社区填补安全盲区。研究成果广泛发表于 Black Hat、DEF CON、ICLR、CVPR、NeurIPS、ACL 等国际顶级会议，并出版了专著《AI 安全：技术与实战》。如此背景的团队出手，项目的技术深度和实战价值不言而喻。

核心功能：五大扫描模块

A.I.G 集成了五大核心扫描能力，覆盖从基础设施到模型行为的完整攻击面：

ClawScan（OpenClaw 安全体检） 提供一键式安全评估，检测不安全配置、Skill 风险、CVE 漏洞及隐私泄露等问题。无需逐项排查，一条命令即可生成完整的安全报告。

Agent Scan 专为 AI Agent 工作流安全评估设计，支持对运行在 Dify、Coze 等平台上的 Agent 进行深度扫描，捕捉工作流配置错误、工具滥用和权限边界漏洞。

MCP Server & Agent Skills 扫描 针对 Model Context Protocol 生态中的 14 大类安全风险进行专项检测，支持上传源代码压缩包或直接传入 GitHub 仓库 URL 两种方式，灵活适配不同场景。

AI Infra 漏洞扫描 覆盖 64 种主流 AI 开源 Web 组件，漏洞库收录 1300+ 已知 CVE，涵盖 Ollama、ComfyUI、vLLM、n8n、Triton Inference Server 等几乎所有常见框架。支持批量 IP 段扫描和 CIDR 范围探测，适合大规模内网资产排查。

Jailbreak Evaluation（越狱评估） 提供精选数据集与越狱攻击算法，可快速评估大语言模型的护栏有效性和内生安全风险，并支持跨模型横向对比，是 Red Team 评估模型安全基线的利器。

技术架构：Go + Python 双引擎

从代码结构来看，A.I.G 采用了双语言分层架构：

Go 后端（cmd/cli） 作为核心引擎，负责高性能漏洞扫描、HTTP 请求处理和 CLI 接口。使用 tRPC 作为内部 RPC 通信框架，gin-gonic 作为 HTTP 框架，SQLite 存储扫描任务数据。Go 侧引入了 projectdiscovery 系列工具包（fastdialer、fdmax、hmap、rawhttp、retryablehttp）进行高效的 HTTP 探测，并集成了 go-rod 进行无头浏览器操作——这是扫描 SPA 和 JavaScript 密集型 AI Web 界面所必需的。

Python 子系统 包含三个独立模块：agent-scan（AI Agent 安全扫描客户端，支持 OpenAI SDK 与 WebSocket provider）、mcp-scan（MCP Server 安全扫描，支持 pytest 测试框架）、AIG-PromptSecurity（提示词安全扫描，CLI 工具形态）。

Web UI 独立部署于 http://localhost:8088，提供图形化扫描任务管理、实时进度跟踪和报告导出。API 文档集成 Swagger，第三方系统可通过 REST API 集成扫描能力。

部署体验：一行命令即可上手

对于大多数用户，A.I.G 的部署流程极为友好。项目提供三种安装方式：

Docker 一键部署（推荐）：拉取预构建镜像，5 分钟内启动 Web 服务：克隆仓库后执行 docker-compose -f docker-compose.images.yml up -d，然后访问 http://localhost:8088 即可。

一键安装脚本：自动安装 Docker 并启动服务，适合全新环境：执行官方提供的 docker.sh 脚本即可全自动完成部署。

源码编译：如果需要定制化修改，从源代码构建 Docker 镜像。

硬件需求亲民：无需 GPU，4GB+ RAM、10GB 磁盘即可运行标准扫描任务。需要注意的是，项目明确指出暂无鉴权机制，适合在隔离内网环境使用，不建议直接部署在公网。

行业意义与局限

A.I.G 的出现填补了 AI 安全领域的一个关键空白：在此之前，AI 组件的漏洞扫描主要依赖通用网络扫描工具，对 AI 框架特有的指纹和漏洞模式识别不足；而人工渗透测试成本高昂，难以高频重复。A.I.G 将安全研究团队的实战经验固化为可复用的自动化工具，大幅降低了 AI 安全评估的门槛。

项目采用 Apache License 2.0 开源，完全免费，且支持插件化扩展——用户可以通过提交指纹规则、漏洞规则和 MCP 安全规则参与贡献，形成正向的安全生态循环。

局限方面，Agent Scan 目前需要接入外部 LLM provider，扫描质量受模型能力影响；Jailbreak Evaluation 需要有明确的目标模型 API 接入点；另外，作为腾讯内部工具演进而来的平台，部分模块对中文 AI 场景的覆盖深度还有提升空间。

总体而言，AI-Infra-Guard 是当前开源生态中功能最全面、覆盖最广泛的 AI 安全红队平台之一，无论你是 AI 应用开发者、安全研究员，还是企业安全团队，都值得将它纳入安全工具链的必备选项。