VulnHunter
AI 驱动的主动式安全漏洞挖掘工具，采用攻击者优先视角，Hunt→Fix→Verify 闭环自动化修复流程
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
AI 驱动的主动式安全漏洞挖掘工具，采用攻击者优先视角，Hunt→Fix→Verify 闭环自动化修复流程
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
凌晨两点，某互联网公司的安全团队收到了 VulnHunter 的警报——不是传统的"发现 XSS 漏洞"，而是"攻击者可以通过支付接口的序列化缺陷，在特定条件下获得管理员会话令牌"。这个发现经过了完整的攻击路径推导和可利用性验证，不是误报，是真正需要立即修复的高危漏洞。
这就是 VulnHunter 与传统 SAST 扫描器的根本区别：它像一个真正的黑客一样思考，而不是像一个审计员一样扫描。
VulnHunter 起源于美国第一资本金融公司（Capital One）的内部安全实践。作为美国排名前十的银行，Capital One 的代码库面临巨大的安全压力。传统的静态代码分析工具虽然高效，但往往产生大量误报——安全团队被海量的"可能漏洞"淹没，而真正的高危问题反而被噪音掩盖。
2026 年 7 月，Capital One 决定将 VulnHunter 开源，理由很简单：没有哪个单一组织能独自解决这个挑战。现代软件供应链深度互联，一个广泛使用的开源组件中的漏洞可能同时影响数千家企业。
传统 SAST 工具的困境在于"下沉优先"（sink-first）分析：它们从潜在的危险代码模式（如 eval()、SQL拼接）出发，向后搜索假设的攻击者路径。这种方法不可避免地产生大量误报——代码中可能存在危险模式，但实际攻击路径根本不存在。
VulnHunter 反其道而行之：
第一步：入口点识别
从攻击者实际可达的入口（API端点、网络消息、文件上传）开始，向前推导可能的攻击路径。
第二步：多阶段证伪引擎
发现潜在漏洞后，运行专门的推理流程来反驳自己的论点——寻找有缺陷的假设、逻辑漏洞或安全控制措施。只有在所有反驳尝试都失败后，才会确认这是一个真实的、可利用的漏洞。
第三步：证据支持的修复建议
对于经过验证的漏洞，VulnHunter 会：
VulnHunter 提供三个可组合的 Claude Code 技能，形成完整的安全修复闭环：
核心扫描器，通过多阶段流水线：
最终输出：经过验证的问题 + 可执行的攻击演示 + 建议修复方案。
测试驱动的修复流程：
一个完全只读的独立 Agent，从可信根目录出发，验证修复是否真正有效。输出每个漏洞的独立判定结果——修复是被证实的，不是被信任的。
VulnHunter 仓库包含多个协同工作的组件：
| 组件 | 说明 |
|---|---|
vulnhunt/ | 核心扫描技能（纯提示词，SKILL.md + phases） |
vulnhunter-fix/ | 修复技能 + Python 辅助包 + 测试 |
vulnhunt-fix-verify/ | 独立验证技能（纯提示词） |
vulnhunter-agent/ | 无头运行时，支持 CI/CD 流水线集成 |
harness/ | 批量扫描和基准测试工具 |
VulnHunter 代表了 AI 安全工具的新一代方向：不是更快地扫描，而是更聪明地分析。它将安全专家的思维方式编码为可复用的工作流，让 AI 能够像真正的攻击者一样思考，同时生成可验证的修复方案。
对于安全团队而言，这是一个值得关注的工具——尤其是在处理复杂代码库、追求低误报率时。但它的成功高度依赖 Claude Opus 的推理能力，这意味着它不是万能药，而是需要正确使用场景的专项工具。
开源链接：https://github.com/capitalone/VulnHunter
许可证：Apache-2.0
开发公司：Capital One