GitHub Copilot Agent Mode 实操：把 912MB、50+高危漏洞的 Docker 镜像压到 108MB

一次典型的容器安全改造，正在变成 AI 可以直接执行的任务。开发者在 Dev.to 分享的一篇实操记录显示，借助 GitHub Copilot Agent Mode，一个体积约 912MB、存在 50 多个 Critical 与 High 级别 CVE 的旧版 Node.js Docker 镜像，可以被重构为 108MB、漏洞数为 0 的 Distroless 生产镜像。

这项演示的价值不在于展示某个模型参数，而在于把 AI 编程工具放进了真实的 DevOps 工作流：分析 Dockerfile、重写构建流程、执行终端命令、生成镜像并调用 Docker Scout 扫描。也就是说，Copilot 不再只是补全代码，而是开始参与“诊断—重构—构建—验证”的完整工程闭环。

从 912MB 到 123MB：先做 Alpine 多阶段构建

案例中的原始镜像基于 node:14，采用单阶段构建，包含大量旧版操作系统组件、构建工具，并以 root 用户运行。通过 docker scout cves 扫描，该镜像被发现存在 50 多个 Critical 或 High 级别的 CVE。

改造的第一步并没有直接追求最小镜像，而是先让 Copilot Agent Mode 对 Dockerfile 进行多阶段重构。开发者给出的提示词要求 Copilot 分析 node:14 的安全风险，将其改造为生产可用的多阶段构建，使用 node:20-alpine 作为运行时基础镜像，分离依赖安装阶段和运行阶段，创建非 root 用户，并生成 .dockerignore 文件。

• 原始镜像：node:14，约 912MB，50+ Critical/High CVE
• 第一轮重构：node:20-alpine 多阶段构建，镜像体积降至 123MB
• 安全改进：构建工具与运行环境分离，减少生产镜像暴露面
• 运行权限：引入非 root 用户，降低容器内提权风险

这一阶段体现了 AI 在工程落地中的第一层能力：把已知的容器最佳实践转换为可执行配置。多阶段构建、非 root 用户、.dockerignore、基础镜像升级，这些都是 DevOps 团队熟悉但容易疏漏的步骤。Copilot Agent Mode 的作用是把它们一次性组织起来，并在终端中完成构建和扫描验证。

Alpine 并不是终点：Distroless 去掉 shell 与包管理器

Alpine 镜像通常被认为是容器瘦身的重要路径，但上述案例指出，体积缩小并不等于安全攻击面消失。扫描 app:alpine 后，Alpine 的工具层仍存在部分操作系统级别的漏洞。此外，Alpine 仍带有 shell 和 apk 包管理器，如果容器被攻破，这些组件可能被攻击者利用。

因此，第二轮改造将运行阶段基础镜像替换为 gcr.io/distroless/nodejs20-debian12。Distroless 镜像只包含应用及其运行时依赖，不提供标准 shell、包管理器和常见 Linux 工具。这种设计让容器更接近“只运行应用”的最小环境。

• Alpine：显著降低镜像体积，但仍保留 /bin/sh 和 apk
• Distroless：无 shell、无包管理器，减少攻击者可利用组件
• 最终镜像：app:hardened，体积 108MB
• 扫描结果：0 Total Vulnerabilities

从结果看，最终镜像从 912MB 降至 108MB，体积缩减约九成，同时 CVE 数量从 50+ Critical/High 降为 0。这个过程中，Copilot Agent Mode 不只是给出建议，而是根据提示词修改 Dockerfile、构建镜像，并触发 Docker Scout 进行验证。

对 AI 编程工具的真实考验：能否完成工程闭环

这次案例值得关注的原因，是它把 AI 编程能力从“写代码”推进到“处理系统级工程任务”。传统上，修复容器漏洞需要开发者人工检查基础镜像、依赖层级、用户权限、构建产物和扫描报告，往往需要反复调试。Copilot Agent Mode 的演示则展示了一种新的协作方式：开发者提出明确目标和安全约束，AI 负责执行检查、修改文件、运行命令并反馈结果。

素材中给出的四阶段流程也体现了这种工程化思路：

• 第一阶段：诊断旧版基础镜像，识别体积与 CVE 问题
• 第二阶段：用多阶段 Alpine 构建完成初步瘦身和隔离
• 第三阶段：切换 Distroless，移除 shell 和包管理器
• 第四阶段：通过 Docker Scout 验证最终镜像是否达到零漏洞目标

这类任务对 AI 的要求并不只是理解 Dockerfile 语法，还包括理解基础镜像差异、生产环境安全要求、构建阶段拆分逻辑，以及如何使用扫描工具验证结果。Agent Mode 的优势在于它可以连续调用终端命令，将“分析—修改—构建—扫描”连接成一个反馈循环。

对 DevOps 团队的参考价值

该案例给出的经验相对明确：生产环境不应使用单阶段构建，依赖安装工具不应暴露在运行时镜像中；Alpine 可以显著降低镜像体积，但如果目标是进一步减少攻击面，Distroless 是更彻底的选择；AI Agent 可以承担结构化提示下的检查、重构、构建和审计工作。

当然，这一演示也限定了前提：开发者已经明确了改造目标、基础镜像路径和验证工具。AI 的价值不是替代安全判断，而是把已经形成共识的工程实践更快、更完整地执行出来。对于需要处理大量遗留容器、重复 Dockerfile 和 CI/CD 安全扫描告警的团队来说，这类 Agent 能力可能首先改变的是效率，其次才是开发方式。