一名开发者发布了名为 Bastion 的 Rovo Agent,将其嵌入 Jira,用于扫描 issue 中出现的 CVE 编号和易受攻击软件包线索。Agent 会调用 NVD API 补充漏洞数据,生成 0–100 的风险分、修复建议,并在原工作流中创建修复工单。相比“用大模型做安全检测”这一表层动作,更值得关注的是作者如何把安全判断从提示词中移出,交给确定性代码执行。
在既有工单流程里完成漏洞识别
Bastion 的处理路径比较直接。它读取 Jira issue 的文本,扫描其中是否包含 CVE 编号,并检查是否提到已知漏洞组件。CVE 编号通过正则表达式 CVE-\d{4}-\d{4,7} 提取;软件包名称来自一份固定列表,素材中列举了 log4j、openssl、struts 等常见对象。识别到相关线索后,Agent 会查询 NVD API 获取 CVSS 数据,再形成风险分、建议和修复工单。
这种设计把安全扫描放在研发工作原本所在的系统中。对团队而言,它不要求工程师切换到独立的安全平台,而是在 Jira 任务流转过程中插入一个自动化节点。漏洞信息不再只是散落在文本描述里的提示,而是被转换成可追踪的工单字段和后续动作。
模型负责解释,评分交给纯函数
素材中最关键的工程决定,是不让模型参与最终风险判断。Bastion 的评分逻辑被写成纯函数:每个 CRITICAL 级别发现计 40 分,每个 HIGH 级别发现计 20 分;每个额外唯一 CVE 增加 5 分,该项最高累计 20 分;总分上限为 100。风险分被划分为 70+、40+、15+ 三档,分别对应 CRITICAL、HIGH、MEDIUM。
在这一结构中,LLM 会读取 issue 文本,并生成解释性内容。例如,它可以指出问题看起来像 Log4Shell 暴露,并建议在当前迭代修复。但模型不能提高或降低分数,最终数字来自正则提取结果、NVD 返回数据和固定算术规则。
这可以称为“判断外置”。模型输出具有概率性,适合生成解释和建议;但安全边界需要确定性。素材将其与提示注入防御联系起来,并概括为“判断概率性,边界确定性”。
限流、漏报与平台约束
Bastion 的实现也暴露了安全 Agent 落地时的现实摩擦。NVD 公共 API 在高负载下会返回 429/403。为此,客户端在失败后只重试一次,并等待 6 秒;每个 CVE 的查询结果缓存 6 小时;相邻查询之间间隔 1.2 秒。素材提到,如果没有这些限制处理,实时查询演示会在第三个问题上失效。
覆盖边界也被明确写出。CVE 编号可以用正则提取,但漏洞包检测依赖固定名单。如果某个存在漏洞的依赖不在名单中,系统会漏报。作者没有假称具备完整覆盖,而是在 README 中说明这一限制。素材的判断是:一个悄悄少报风险的 Agent,比一个承认自身盲点的 Agent 更糟糕。
- Forge 环境不允许直接数据库和长运行进程,因此状态保存在 Jira 的标签和 issue 字段中。
- 每日扫描通过定时触发完成,而不是依赖常驻守护进程。
- 如果 issue 关联代码仓库,更可靠的包检测应来自 package.json、requirements.txt、pom.xml 等依赖清单。
- 40/20/5 的权重可以讨论,但需要结合真实分诊结果持续调整。
AI Agent 进入安全流程的一种边界设计
这个案例的意义不在于证明 Jira 可以再多一个 AI 入口,而在于展示一种更谨慎的集成方式。当 AI Agent 进入安全、合规和风险治理场景时,模型不适合直接担任最终裁判。更可行的做法是让模型处理文本,让正则、API、缓存和固定规则处理事实与边界。
Bastion 并没有把漏洞评估完全交给 LLM。它把模型限制在解释和建议层,把评分权交给确定性函数。对于正在探索 AI 编程工具的研发团队来说,这种先划清边界、再引入模型的做法,可能比单纯追求自动化覆盖率更有参考价值。
原创文章,作者:点点,如若转载,请注明出处:https://www.dian8dian.com/ba-an-quan-sao-miao-fang-jin-jira-zhe-ge-ai-agent-yong-que