标签 智能体平台 下的文章

摘要

插件作为大模型与智能体突破原生能力边界、实现场景化功能落地的核心载体,是从 “通用 AI 能力” 到 “行业专属解决方案” 的关键桥梁。本文从插件的核心定义与价值出发,系统拆解大模型 / 智能体插件的底层工作逻辑,梳理从 0 到 1 的插件认知、选型、使用、定制全流程,详解不同场景下的插件搭配技巧与避坑指南,同时结合行业实操案例给出落地建议,并补充高频 QA 问答解决入门核心痛点,帮助零基础从业者快速掌握插件使用逻辑,实现大模型与智能体的能力最大化延伸,玩转插件生态的核心玩法。​关键词​:插件;大模型插件;智能体插件;AI 工具使用;从 0 到 1 学插件;插件定制;AI 能力延伸;智能体生态

一、插件的核心认知:大模型与智能体的 “能力扩展卡”

1.1 插件的定义与核心价值

插件是为大模型、智能体量身打造的​模块化功能扩展组件​,通过标准化接口与大模型 / 智能体核心系统对接,无需改变底层模型架构,即可快速为其新增专属功能、接入外部数据、实现跨平台联动。简单来说,大模型 / 智能体的原生能力是 “通用基础款”,而插件就是 “个性化拓展包”,让 AI 从 “能说会想” 升级为 “能做会干”。

其核心价值体现在三大维度:

  • 突破能力边界​:弥补大模型 “知识滞后、计算薄弱、无实操能力” 的短板,比如通过计算器插件解决数学运算、通过翻译插件实现多语种精准转换、通过数据分析插件完成数据可视化;
  • 适配场景落地​:针对办公、学习、研发、电商等不同场景,提供定制化功能,让通用 AI 适配专属需求,比如自媒体从业者用排版插件、程序员用代码调试插件、运营者用数据统计插件;
  • 降低使用门槛​:无需掌握 AI 开发技术,普通用户通过一键安装插件,即可让大模型 / 智能体具备专业能力,实现 “零代码玩转高阶 AI”。

1.2 插件与大模型、智能体的底层工作逻辑

插件与大模型 / 智能体的协作遵循 **“调用 - 执行 - 反馈”** 的闭环逻辑,核心分为三步,零基础也能轻松理解:

  1. 需求识别​:用户向大模型 / 智能体发出指令后,其核心系统先判断原生能力是否能满足,若无法满足则自动匹配已安装的对应插件;
  2. 插件调用​:核心系统通过标准化接口向插件发送执行指令,插件承接需求后完成专属处理(如数据计算、外部查询、功能执行);
  3. 结果反馈​:插件将处理结果回传给核心系统,由大模型 / 智能体整理成自然语言或可视化结果,反馈给用户。

整个过程毫秒级完成,用户感知不到底层调用逻辑,仅需发出自然语言指令,即可实现插件功能的无缝使用,这也是插件能快速普及的核心原因。

1.3 插件的核心分类:按功能与使用场景划分

目前主流的大模型 / 智能体插件生态,按功能属性可分为 6 大类,覆盖绝大多数日常与工作场景,零基础入门可先从高频通用类开始掌握:

插件分类核心功能典型代表适用人群 / 场景
通用工具类解决基础办公 / 学习需求计算器、翻译、思维导图、OCR全体用户,日常办公 / 学习
数据处理类数据统计、分析、可视化表格分析、数据可视化、SQL 查询运营、分析师、财务人员
内容创作类辅助内容生产、优化、排版文案润色、图文排版、字幕生成自媒体、文案、教师
研发开发类代码编写、调试、漏洞检测代码解释、Bug 修复、接口调试程序员、开发工程师
跨平台联动类实现 AI 与其他工具的无缝对接办公软件、云盘、思维导图工具全体用户,多工具协同办公
行业专属类适配特定行业的专业需求电商选品、医疗咨询、法律检索电商运营、医护、法律从业者

二、从 0 到 1:插件使用全流程,新手也能一步到位

2.1 第一步:选对平台 —— 插件生态的核心载体

插件的使用依赖于支持插件功能的大模型 / 智能体平台,零基础入门优先选择插件生态完善、操作门槛低、免费插件多的主流平台,避免因平台小众导致插件资源少、使用难度高,以下是目前最适合新手的三大主流平台,各有优势:

  1. 通用大模型平台​:ChatGPT(4o 及以上版本)、文心一言 4.0、讯飞星火 V4.0,插件生态完善,覆盖全品类插件,操作界面简洁,一键安装即可使用,适合全场景需求;
  2. 智能体专属平台​:Coze、LangChain Bot,主打智能体插件联动,支持插件自定义编排,适合需要多插件协同完成复杂任务的场景;
  3. 办公类 AI 平台​:WPS AI、飞书智谱,插件与办公软件深度融合,主打办公场景专属插件,适合职场办公人群。

新手建议​:优先从 ChatGPT 或文心一言入手,插件资源最丰富,操作最简洁,能快速完成从 0 到 1 的插件使用入门。

2.2 第二步:插件选型 —— 按需选择,拒绝盲目安装

插件并非越多越好,盲目安装大量插件会导致大模型 / 智能体响应变慢、匹配插件出错,零基础入门的核心原则是 **“刚需优先、少而精”**,按 “场景 - 需求 - 插件” 的逻辑选型,具体步骤:

  1. 明确使用场景​:确定自己使用大模型 / 智能体的核心场景,比如是日常办公、自媒体创作,还是编程开发;
  2. 梳理核心需求​:从场景中提炼需要解决的具体问题,比如办公场景需要 “PDF 解析、表格制作”,创作场景需要 “文案润色、图文排版”;
  3. 匹配对应插件​:根据需求选择功能精准的插件,比如 PDF 解析选专属 OCR 插件,文案润色选内容创作类插件,避免一个需求安装多个同类插件。

新手避坑​:同一功能的插件只需安装 1-2 个即可,比如翻译插件无需同时安装百度翻译、谷歌翻译、DeepL 翻译,选择适配自己使用习惯的一款即可。

2.3 第三步:基础使用 —— 一键安装,三步玩转核心功能

主流平台的插件操作均实现​可视化、零代码​,零基础用户无需掌握任何技术,只需三步即可完成插件的安装与使用,以通用大模型平台为例,操作流程高度统一:

  1. 插件市场入口​:登录平台后,在侧边栏或设置中找到「插件市场 / 应用中心」,这是所有插件的集中入口;
  2. 一键安装插件​:在插件市场中搜索需要的插件,点击「安装 / 启用」,平台会自动完成接口对接,安装完成后插件会出现在「已安装插件」列表中;
  3. 自然语言调用​:无需额外操作,直接向大模型 / 智能体发出自然语言指令,系统会自动匹配插件执行,比如安装了计算器插件后,直接说 “计算 10000 元按年化 3.5% 计息,存 5 年的复利是多少”,系统会自动调用插件计算并给出结果。

小技巧​:若系统未自动匹配插件,可在指令中明确提及插件名称,比如 “用思维导图插件把《从 0 到 1 玩转插件》的核心框架做成思维导图”,提升插件调用精准度。

2.4 第四步:进阶搭配 —— 多插件协同,实现复杂任务落地

当掌握单一插件的使用后,可通过​多插件协同搭配​,让大模型 / 智能体完成更复杂的场景化任务,这是 “玩转插件” 的核心进阶技巧。多插件搭配的核心逻辑是 **“按任务流程拆解,依次匹配插件”**,举 3 个高频场景的经典搭配案例,新手可直接照搬:

案例 1:办公场景 —— 快速完成一份市场分析报告

任务流程​:解析市场调研 PDF 数据 → 整理成表格 → 进行数据可视化 → 生成分析报告​插件搭配​:PDF 解析插件(OCR)+ 表格分析插件 + 数据可视化插件 + 文案创作插件​使用指令​:“用 PDF 解析插件提取这份市场调研文件的核心数据,用表格分析插件整理成销售数据表格,再用数据可视化插件生成柱状图,最后用文案创作插件基于数据生成一份 500 字的市场分析报告”

案例 2:创作场景 —— 打造一篇自媒体爆款推文

任务流程​:生成推文选题 → 撰写推文文案 → 优化排版 → 生成配图思路​插件搭配​:选题生成插件 + 文案润色插件 + 图文排版插件 + 创意设计插件​使用指令​:“用选题生成插件给美妆品类生成 3 个小红书爆款选题,选其中一个用文案润色插件撰写 800 字推文,用图文排版插件优化排版格式,最后用创意设计插件给出推文配图思路”

案例 3:研发场景 —— 快速调试一段 Python 代码

任务流程​:检查代码漏洞 → 修复 Bug→ 解释代码逻辑 → 生成注释​插件搭配​:代码检测插件 + Bug 修复插件 + 代码解释插件 + 注释生成插件​使用指令​:“用代码检测插件检查这段 Python 代码的漏洞,用 Bug 修复插件修正错误,用代码解释插件逐行说明逻辑,最后用注释生成插件为代码添加标准注释”

2.5 第五步:高阶定制 —— 打造专属插件,适配个性化需求

当现有插件无法满足专属需求时,可尝试​插件定制​,目前主流平台均提供​低代码 / 零代码插件定制工具​,零基础用户也能从 0 到 1 打造自己的专属插件,核心流程分为 4 步,无需掌握复杂开发技术:

  1. 明确定制需求​:确定专属插件的核心功能、使用场景、输入输出要求,比如定制一款 “电商商品标题优化插件”,核心功能是根据商品属性生成高点击率标题;
  2. 选择定制平台​:优先选择平台自带的插件定制工具,如 ChatGPT 的 Plugin Builder、文心一言的插件开发平台,无需对接复杂接口,可视化操作;
  3. 配置插件功能​:在定制工具中,通过拖拽、选择、填写参数的方式,配置插件的核心功能,比如为电商标题插件设置 “商品属性输入框、标题风格选择(简约 / 爆款 / 专业)、标题字数限制” 等;
  4. 测试与发布​:完成配置后,进行多次测试,验证插件功能是否符合预期,测试通过后即可发布到自己的插件列表,实现专属使用,部分平台还支持将定制插件分享到插件市场。

新手建议​:入门阶段先从简单功能插件开始定制,比如 “专属话术生成插件”“日常打卡插件”,熟悉定制逻辑后,再尝试复杂功能插件。

三、插件使用的核心避坑指南:新手少走 90% 的弯路

从 0 到 1 玩转插件,不仅要会用,更要会​避坑​,结合大量新手实操案例,梳理出 6 个最易踩的坑,以及对应的解决方案,帮新手快速避开误区:

3.1 坑 1:盲目安装大量插件,导致系统响应变慢

问题​:认为插件越多功能越全,安装数十个同类插件,导致大模型 / 智能体匹配插件时耗时增加,响应变慢,甚至出现插件冲突。​解决方案​:遵循 “​刚需安装、定期清理​” 原则,仅安装当前场景需要的插件,每 1-2 周清理一次未使用的插件,保持已安装插件列表简洁。

3.2 坑 2:忽略插件权限,导致数据安全风险

问题​:安装插件时随意授权,部分插件会请求访问用户的聊天记录、上传文件、个人数据等权限,导致数据泄露风险。​解决方案​:安装插件前​必看权限说明​,拒绝授权与插件功能无关的权限,比如一款计算器插件若请求访问聊天记录,直接拒绝安装;优先选择平台官方开发的插件,第三方插件需确认资质后再安装。

3.3 坑 3:指令描述模糊,导致插件调用失败

问题​:向大模型 / 智能体发出的指令过于模糊,系统无法准确匹配插件,比如只说 “帮我处理这份数据”,未说明具体处理需求。​解决方案​:指令描述遵循 **“场景 + 需求 + 插件”** 的三要素原则,明确告知系统要做什么、用什么插件做,比如 “在电商场景下,帮我用选品插件分析抖音美妆类目的爆款商品数据”。

3.4 坑 4:过度依赖插件,忽视大模型原生能力

问题​:任何需求都想通过插件解决,即使大模型原生能力能轻松完成,比如用翻译插件翻译简单的日常语句,反而增加操作成本。​解决方案​:先判断​需求是否需要插件​,大模型原生的自然语言理解、文案创作、逻辑分析等能力能解决的问题,无需调用插件,让插件成为 “补充能力” 而非 “唯一能力”。

3.5 坑 5:未及时更新插件,导致功能失效

问题​:插件安装后长期不更新,当大模型 / 智能体平台升级或插件底层功能调整时,出现插件调用失败、功能失效的问题。​解决方案​:开启插件的​自动更新功能​,或定期在插件市场检查已安装插件的更新状态,及时更新至最新版本,保证插件功能正常使用。

3.6 坑 6:多插件搭配逻辑混乱,导致任务执行出错

问题​:多插件协同时,未按任务流程合理搭配,插件顺序混乱,导致系统无法按预期执行,比如先让数据可视化插件生成图表,再让 PDF 解析插件提取数据。​解决方案​:多插件搭配前,先​梳理任务的先后流程​,按 “先输入、再处理、最后输出” 的逻辑匹配插件,确保插件调用顺序与任务流程一致,避免逻辑混乱。

四、插件生态的未来发展趋势:大模型与智能体的核心竞争力

插件作为大模型与智能体实现 **“能力落地、生态繁荣”** 的核心载体,其发展趋势与大模型、智能体的技术迭代深度绑定,未来三大发展方向值得关注,也是新手玩转插件需要提前布局的重点:

4.1 插件轻量化:零代码定制成为主流,全民可造插件

未来插件的开发门槛将持续降低,低代码 / 零代码定制工具将成为行业标配,不仅专业开发者能打造插件,普通用户也能通过简单的参数配置、功能拖拽,打造自己的专属插件,实现 “全民造插件” 的生态格局,插件将从 “专业产品” 变为 “个人化工具”。

4.2 插件智能化:智能体自主完成插件编排与适配

大模型与智能体的能力持续升级,未来将具备​自主插件编排能力​—— 用户只需发出核心需求,无需指定插件,智能体就能根据任务逻辑,自主选择、搭配、调用插件,完成复杂任务。比如用户说 “帮我完成一份年度销售总结”,智能体将自主匹配数据提取、表格分析、可视化、文案创作等插件,全程无需人工干预。

4.3 插件生态化:跨平台插件互联互通,形成全域能力网络

不同大模型、智能体平台的插件生态将从 “孤立发展” 走向 “互联互通”,通过标准化的插件接口,实现跨平台插件的无缝调用,比如在智能体平台可直接调用大模型的办公插件,在办公软件中可直接调用智能体的行业插件,形成覆盖全场景、跨平台的​插件能力网络​,让 AI 的能力延伸到每一个工作与生活场景。

五、行业高频 QA 问答

5.1 零基础新手,先从哪类插件开始学习使用最合适?

优先从通用工具类插件入手,比如计算器、翻译、PDF 解析、思维导图插件。这类插件功能简单、使用频率高、适配全场景,无需专业知识就能快速上手,能帮助新手快速熟悉插件的安装、调用逻辑,建立使用信心,掌握后再逐步拓展到内容创作、数据处理等专项插件。

5.2 免费插件和付费插件的区别是什么,新手需要付费购买插件吗?

核心区别在于​功能精准度、使用限制、专属服务​:免费插件能满足基础需求,部分存在使用次数、功能简化的限制;付费插件功能更精准、无使用限制,部分还提供专属售后与定制化优化。新手​无需过早付费​,目前主流平台的免费插件已能覆盖 90% 的日常与工作需求,建议先通过免费插件掌握使用逻辑,当现有免费插件无法满足核心工作需求时,再针对性购买付费插件。

5.3 不同大模型 / 智能体平台的插件可以互通使用吗?

目前多数平台的插件​暂不支持直接互通​,因各平台的插件接口标准、底层逻辑存在差异,比如 ChatGPT 的插件无法直接在文心一言中使用。但未来随着行业标准化推进,跨平台插件互联互通将成为趋势,现阶段若需要在多个平台使用同类功能,可在各平台分别安装对应的同款或同类插件。

5.4 安装插件后,大模型 / 智能体的响应速度变慢,该怎么解决?

可按以下步骤逐一排查解决:1. 清理未使用的插件,卸载同类冗余插件,减少插件匹配压力;2. 检查插件是否为最新版本,及时更新失效插件;3. 若使用多插件协同,尝试拆分任务,单次仅调用 1-2 个插件,避免同时调用大量插件;4. 关闭平台后台无关程序,保证网络通畅,提升接口传输速度。

5.5 如何判断一款插件是否适合自己,有没有核心筛选标准?

核心筛选标准有 4 点:1. ​功能匹配​:插件核心功能与自己的核心需求高度契合,无多余无效功能;2. ​操作简单​:零基础能快速上手,无需复杂的参数配置;3. ​权限安全​:插件请求的权限与功能匹配,无过度授权;4. ​口碑良好​:在插件市场中评分高、评论正面,官方开发或第三方资质可靠,避免使用小众无资质插件。

5.6 新手可以尝试开发插件吗,需要掌握哪些基础技能?

新手可以尝试,目前主流平台的​低代码 / 零代码定制工具​,让零基础用户也能开发简单插件,无需掌握复杂的编程技术。若仅做基础定制,只需掌握​需求梳理能力​,能明确插件的功能、使用场景即可;若想开发更复杂的插件,可逐步学习简单的编程基础(如 Python)、API 接口知识,提升定制能力。

六、结论

从 0 到 1 玩转插件,本质是掌握​大模型与智能体的能力延伸逻辑​—— 插件并非简单的 “功能工具”,而是让通用 AI 技术落地到具体场景的核心桥梁。对于零基础从业者而言,无需畏惧技术门槛,从核心认知入手,按 “选型 - 安装 - 使用 - 搭配 - 定制” 的全流程逐步推进,避开盲目安装、权限泄露、指令模糊等核心误区,就能快速掌握插件的核心玩法。

插件生态的发展,正推动大模型与智能体从 “通用能力” 向 “个性化、场景化能力” 升级,未来随着插件的轻量化、智能化、生态化发展,插件将成为每一个 AI 使用者的必备工具。新手只需从当下开始,从一款插件、一个场景入手,边用边学、边练边进阶,就能在插件生态中找到适合自己的使用方法,真正实现 “玩转插件”,让大模型与智能体成为工作与生活的高效助手,释放 AI 的最大价值。

参考文献

[1] 斯坦福大学. AI 指数报告 2026 [R]. 斯坦福大学人类与人工智能研究院,2026.
[2] 中国人工智能产业发展联盟。大模型插件生态建设与应用指南 2026 [R]. 2026.
[3] 字节跳动 AI 实验室. Coze 智能体插件平台开发与使用手册 2026 [R]. 2026.
[4] OpenAI 官方文档. ChatGPT Plugin 开发与使用指南 [Z]. 2026.
[5] 百度 AI 研究院。文心一言插件生态与场景落地实践 2026 [R]. 2026.
[6] 知乎科技研究院. 2026 年 AI 插件使用行为分析报告 [R]. 2026.

让代码漏洞挖掘像呼吸一样简单,小白也能当黑客挖洞

DeepAudit - 开源的代码审计智能体平台 ?‍♂️1
DeepAudit - 开源的代码审计智能体平台 ?‍♂️

? 界面预览

### ? Agent 审计入口 Agent审计入口 *首页快速进入 Multi-Agent 深度审计*
? 审计流日志

审计流日志
实时查看 Agent 思考与执行过程
?️ 智能仪表盘

仪表盘
一眼掌握项目安全态势
⚡ 即时分析

即时分析
粘贴代码 / 上传文件,秒出结果
?️ 项目管理

项目管理
GitHub/GitLab 导入,多项目协同管理
### ? 专业报告 审计报告 *一键导出 PDF / Markdown / JSON*(图中为快速模式,非Agent模式报告) ? [查看Agent审计完整报告示例](https://lintsinghua.github.io/)

⚡ 项目概述

DeepAudit 是一个基于 Multi-Agent 协作架构的下一代代码安全审计平台。它不仅仅是一个静态扫描工具,而是模拟安全专家的思维模式,通过多个智能体(Orchestrator, Recon, Analysis, Verification)的自主协作,实现对代码的深度理解、漏洞挖掘和 自动化沙箱 PoC 验证

我们致力于解决传统 SAST 工具的三大痛点:

  • 误报率高 — 缺乏语义理解,大量误报消耗人力
  • 业务逻辑盲点 — 无法理解跨文件调用和复杂逻辑
  • 缺乏验证手段 — 不知道漏洞是否真实可利用

用户只需导入项目,DeepAudit 便全自动开始工作:识别技术栈 → 分析潜在风险 → 生成脚本 → 沙箱验证 → 生成报告,最终输出一份专业审计报告。

核心理念: 让 AI 像黑客一样攻击,像专家一样防御。

? 为什么选择 DeepAudit?

| ? 传统审计的痛点 | ? DeepAudit 解决方案 | | :--- | :--- | | **人工审计效率低**
跨不上 CI/CD 代码迭代速度,拖慢发布流程 | **? Multi-Agent 自主审计**
AI 自动编排审计策略,全天候自动化执行 | | **传统工具误报多**
缺乏语义理解,每天花费大量时间清洗噪音 | **? RAG 知识库增强**
结合代码语义与上下文,大幅降低误报率 | | **数据隐私担忧**
担心核心源码泄露给云端 AI,无法满足合规要求 | **? 支持 Ollama 本地部署**
数据不出内网,支持 Llama3/DeepSeek 等本地模型 | | **无法确认真实性**
外包项目漏洞多,不知道哪些漏洞真实可被利用 | **? 沙箱 PoC 验证**
自动生成并执行攻击脚本,确认漏洞真实危害 |

?️ 系统架构

整体架构图

DeepAudit 采用微服务架构,核心由 Multi-Agent 引擎驱动。

DeepAudit 架构图

? 审计工作流

步骤阶段负责 Agent主要动作
1策略规划Orchestrator接收审计任务,分析项目类型,制定审计计划,下发任务给子 Agent
2信息收集Recon Agent扫描项目结构,识别框架/库/API,提取攻击面(Entry Points)
3漏洞挖掘Analysis Agent结合 RAG 知识库与 AST 分析,深度审查代码,发现潜在漏洞
4PoC 验证Verification Agent(关键) 编写 PoC 脚本,在 Docker 沙箱中执行。如失败则自我修正重试
5报告生成Orchestrator汇总所有发现,剔除被验证为误报的漏洞,生成最终报告

? 项目代码结构

DeepAudit/
├── backend/                        # Python FastAPI 后端
│   ├── app/
│   │   ├── agents/                 # Multi-Agent 核心逻辑
│   │   │   ├── orchestrator.py     # 总指挥:任务编排
│   │   │   ├── recon.py            # 侦察兵:资产识别
│   │   │   ├── analysis.py         # 分析师:漏洞挖掘
│   │   │   └── verification.py     # 验证者:沙箱 PoC
│   │   ├── core/                   # 核心配置与沙箱接口
│   │   ├── models/                 # 数据库模型
│   │   └── services/               # RAG, LLM 服务封装
│   └── tests/                      # 单元测试
├── frontend/                       # React + TypeScript 前端
│   ├── src/
│   │   ├── components/             # UI 组件库
│   │   ├── pages/                  # 页面路由
│   │   └── stores/                 # Zustand 状态管理
├── docker/                         # Docker 部署配置
│   ├── sandbox/                    # 安全沙箱镜像构建
│   └── postgres/                   # 数据库初始化
└── docs/                           # 详细文档

? 快速开始 (Docker)

1. 启动项目

复制一份 backend/env.examplebackend/.env,并按需配置 LLM API Key。
然后执行以下命令一键启动:

# 1. 准备配置文件
cp backend/env.example backend/.env

# 2. 构建沙箱镜像 (首次运行必须)
cd docker/sandbox && chmod +x build.sh && ./build.sh && cd ../..

# 3. 启动服务
docker compose up -d
? 启动成功! 访问 http://localhost:3000 开始体验。

? 源码启动指南

适合开发者进行二次开发调试。

环境要求

  • Python 3.10+
  • Node.js 18+
  • PostgreSQL 14+
  • Docker (用于沙箱)

1. 后端启动

cd backend
# 激活虚拟环境 (推荐 uv/poetry)
source .venv/bin/activate 

# 安装依赖
pip install -r requirements.txt

# 启动 API 服务
uvicorn app.main:app --reload

2. 前端启动

cd frontend
npm install
npm run dev

3. 沙箱环境

开发模式下,仍需通过 Docker 启动沙箱服务。

cd docker/sandbox
./build.sh

? Multi-Agent 智能审计

支持的漏洞类型

漏洞类型描述
sql_injectionSQL 注入
xss跨站脚本攻击
command_injection命令注入
path_traversal路径遍历
ssrf服务端请求伪造
xxeXML 外部实体注入
漏洞类型描述
insecure_deserialization不安全反序列化
hardcoded_secret硬编码密钥
weak_crypto弱加密算法
authentication_bypass认证绕过
authorization_bypass授权绕过
idor不安全直接对象引用
? 详细文档请查看 Agent 审计指南

? 支持的 LLM 平台

? 国际平台

OpenAI GPT-4o / GPT-4
Claude 3.5 Sonnet / Opus
Google Gemini Pro
DeepSeek V3

?? 国内平台

通义千问 Qwen
智谱 GLM-4
Moonshot Kimi
文心一言 · MiniMax · 豆包

? 本地部署

Ollama
Llama3 · Qwen2.5 · CodeLlama
DeepSeek-Coder · Codestral
代码不出内网

? 支持 API 中转站,解决网络访问问题 | 详细配置 → LLM 平台支持

? 功能矩阵

功能说明模式
? Agent 深度审计Multi-Agent 协作,自主编排审计策略Agent
? RAG 知识增强代码语义理解,CWE/CVE 知识库检索Agent
? 沙箱 PoC 验证Docker 隔离执行,验证漏洞有效性Agent
?️ 项目管理GitHub/GitLab 导入,ZIP 上传,10+ 语言支持通用
即时分析代码片段秒级分析,粘贴即用通用
? 五维检测Bug · 安全 · 性能 · 风格 · 可维护性通用
? What-Why-How精准定位 + 原因解释 + 修复建议通用
? 审计规则内置 OWASP Top 10,支持自定义规则集通用
? 提示词模板可视化管理,支持中英文双语通用
? 报告导出PDF / Markdown / JSON 一键导出通用
⚙️ 运行时配置浏览器配置 LLM,无需重启服务通用

? 发展路线图

我们正在持续演进,未来将支持更多语言和更强大的 Agent 能力。

  • [x] v1.0: 基础静态分析,集成 Semgrep
  • [x] v2.0: 引入 RAG 知识库,支持 Docker 安全沙箱
  • [x] v3.0: Multi-Agent 协作架构 (Current)
  • [ ] 支持更多漏洞验证 PoC 模板
  • [ ] 支持更多语言
  • [ ] 自动修复 (Auto-Fix): Agent 直接提交 PR 修复漏洞
  • [ ] 增量PR审计: 持续跟踪 PR 变更,智能分析漏洞,并集成CI/CD流程
  • [ ] 优化RAG: 支持自定义知识库
  • [ ] 优化Agent: 支持自定义Agent