skylos
duriantaco/skylos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
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。
想象一下这样的场景：团队刚刚完成一次密集的 AI 辅助重构，上百个文件被修改，开发者信心满满地提了 PR。然而代码合并之后，测试开始报错了——原因是一个从未被调用过的辅助函数在重构中被意外删除，而没有人注意到它其实是某个边缘路径的兜底逻辑。这种"看起来没问题"的回归 Bug，在 AI 编程工具广泛普及的今天，正变得越来越常见。
Skylos 正是为解决这个痛点而生。它是一个开源、本地优先的静态代码分析工具，能够在代码合并之前发现死代码、安全漏洞、硬编码密钥、代码质量退化，以及 AI 生成代码中的常见错误——比如虚构的包 API、不可能存在的依赖版本、被意外禁用的安全控制等。
Skylos 由独立开发者 Aaron Oh（GitHub: duriantaco）发起，仓库地址为 duriantaco/skylos。作者在项目中明确标注了联系邮箱 founder@skylos.dev，并提供了完整的 Apache-2.0 开源许可证。与许多依赖大型组织维护的安全工具不同，Skylos 的迭代速度非常快，截至分析时已发布至 v4.25.0 版本，支持 Python、TypeScript/JavaScript、Java、Go、Kotlin、PHP、Rust、Dart、C# 和 Shell 等 10 种编程语言。
这个项目的诞生有明确的时代背景：随着 GitHub Copilot、Cursor 等 AI 编程工具的普及，开发者越来越依赖 AI 生成代码，但 AI 生成的内容存在几类典型陷阱：
Skylos 的设计目标就是成为 AI 编程时代的"代码守门员"，在每一行代码进入主干之前完成多维度检查。
Skylos 的功能体系可以划分为以下几个层次：
这是 Skylos 最核心的功能，也是项目名称"Skylos"（源自希腊语 σκύλος，意为"警惕的守护者"）的由来。与传统死代码检测工具（如 Vulture）不同，Skylos 对主流 Web 框架有深入的理解：
此外，Skylos 支持智能追踪模式（Smart Tracing），通过运行时 traces 来减少动态代码的误报。对于大型代码库，这是一项非常实用的功能——既保证了检测的准确性，又避免了因动态导入、反射等机制导致的漏报。
Skylos 内置了覆盖 10 种语言的安全规则，覆盖以下高危漏洞类型：
在基准测试中，Skylos 的安全回归套件（56 个案例）实现了 TP=35、FP=0、FN=0 的表现，远超 Bandit（得分 47.14）。OWASP Java 安全基准测试中，Skylos 也取得了 94.37 分（TP=105, FP=0）。
Skylos 能检测 GitHub Actions secrets、API tokens、高熵字符串等敏感信息泄漏。这项功能对 CI/CD 安全尤为重要——很多团队在 GitHub Actions 的 workflow 文件中硬编码了访问令牌，Skylos 可以直接在 PR 层面捕获这类问题。
Skylos 对 GitHub Actions 和 GitLab CI 的配置文件有专项检测能力，覆盖：
pull_request_target）这是 Skylos 区别于传统 linter 的最独特功能，专门检测 AI 编程助手的常见失误：
| 错误类型 | 描述 |
|---|---|
| Phantom security calls | 调用了看似安全但实际不存在或无防护的 API |
| Missing decorators | 遗漏了关键装饰器（如认证、权限） |
| Unfinished stubs | 未完成的条件分支和占位代码 |
| Disabled controls | 被注释或删除的安全控制代码 |
| Invented package APIs | 调用了不存在的包的 API |
| Impossible dependency versions | 引用了不兼容的包版本 |
Skylos 提供了 skylos defend 命令，专门针对 LLM 应用的安全护栏检查，映射到 OWASP LLM Top 10 风险：
通过 skylos cicd init，Skylos 可以自动生成 GitHub Actions workflow，将上述所有检查集成到 PR 门控流程中。当检测到问题超过阈值时，PR 自动失败并给出详细注释，直接在 GitHub PR 页面展示问题位置和严重级别。
Skylos 的代码架构具有清晰的分层设计，主目录包含：
analysis/：核心分析引擎，处理 AST 遍历和规则匹配security/：安全规则库和 taint analysis 实现deadcode/：死代码检测的专用模块，集成框架感知逻辑agents/：AI agent 相关功能，支持 LLM 辅助的代码审查llm/：LLM 集成层，支持可选的 AI 辅助分析defend/：LLM 应用安全护栏检查模块engines/：多语言分析引擎，其中 engines/go/ 使用 Go 语言实现了一个独立的 Go 代码分析工具 skylos-gocli.py：命令行入口点，暴露 skylos 命令pipeline.py：分析管道的编排逻辑，将各个模块串联起来值得注意的是，Dockerfile 中采用了多阶段构建（multi-stage build）策略，第一阶段用 Go 1.22 编译 skylos-go 引擎，第二阶段用 Python 3.12 slim 安装核心工具。这说明项目采用了多语言混合架构：Python 负责核心 CLI 和大多数分析逻辑，Go 负责高性能的 Go 语言专项分析引擎。
项目还包含了完整的 MCP（Model Context Protocol）服务器实现，允许 Claude、Cursor 等 AI 编码助手通过 MCP 协议直接调用 Skylos 的 verify_change 工具，实现"边写边检查"的 AI 编程工作流。
Skylos 的安装极为简单：
# 核心静态分析（无需 API key）
pip install skylos
# 启用 AI agent 功能
pip install "skylos[llm]"
# 安装全部可选依赖
pip install "skylos[all]"
核心分析功能完全本地运行，不需要云端上传或 LLM 调用。只有在启用 skylos agent 和 skylos defend 时，才需要配置 OpenAI API key 或兼容的 LLM 端点。
Docker 用户可以直接拉取镜像：
docker pull ghcr.io/duriantaco/skylos:latest
docker run --rm -v "$PWD":/work -w /work ghcr.io/duriantaco/skylos:latest . --json
GitHub Actions 用户通过一行命令即可配置 PR 门控：
skylos cicd init
# 自动生成 .github/workflows/skylos.yml
Skylos 并非纸上谈兵，它已经帮助多个知名 Python 开源项目完成了死代码清理，并被成功合并：
作者还主动进行了 Star 真实性审计，使用 Astronomer 的 StarGuard 工具对 420 个 Star 进行分析，结论为整体信任度 A 级，低虚假 Star 风险，体现了对项目透明度的追求。
Skylos 作为一款快速迭代的个人项目，仍有一些局限性值得注意：
Skylos 的出现不是一个偶然。它代表了 2024-2025 年间 AI 编程工具大规模普及后，社区对"代码质量谁来负责"这个根本问题的回应。传统 SAST 工具（如 Bandit、Semgrep）诞生于 AI 编程普及之前，它们的规则库面向人类程序员的典型错误，无法覆盖 AI 生成的独特代码味道。
Skylos 的核心洞察是：AI 生成代码的错误模式与人类代码不同，需要专门的检测机制。 无论是 phantom functions、invented dependencies 还是 disabled controls，这些都是 AI 模型在"追求语法正确"时容易引入的微妙陷阱，传统工具很难察觉。
从增长数据看，项目在 Star 达到 458 的体量下已有 24 个 Fork 和 458 个 Watcher，且被 Black、Optuna、mitmproxy 等知名项目实际采用，说明其技术成熟度已达到生产可用级别。随着 AI 编程工具的持续渗透，这类"AI 代码质量守门员"工具的价值将进一步凸显。
如果你正在使用 AI 辅助编程，或者管理一个有多人使用 AI 工具的开发团队，Skylos 值得成为 CI/CD 流水线中的标准环节——它用一次 pip install 的成本，换来的是代码质量的自动化保障。