人工智能AI Agent网络安全后端前端【免费下载链接】AiSOCOpen-source AI Security Operations Center: alert fusion, LLM-agent triage, MITRE ATTCK investigation, and a replayable decision ledger for every agent step. Self-hostable, runs with no API keys, MIT licensed. Ships an MCP server for Claude, Cursor and Continue.项目地址https://gitcode.com/GitHub_Trending/ai/AiSOC点击查看免费下载本文以仓库中的新闻资料包 docs/press/README.md 为主线逐条拆解其中对外表述boilerplate、关键事实fast facts、品牌命名与 Logo 使用规范并用仓库源码、数据库迁移和测试把这些说法逐条对照验证。读完后你能做到三件事写出不会翻车的 AiSOC 介绍语、区分“能引用的数字”和“不能引用的数字”、在本地用几条命令亲自复现资料包里的每一条技术声明。这份资料包解决什么问题新闻资料包面向三类人撰稿人、会议组织者、合作伙伴。它的核心诉求不是“宣传”而是让外部表述与仓库事实保持一致。资料包开篇就写明了这条约束所有引用语与统计数字必须与 公开评测页 保持一致。之所以需要这样一份文件是因为 AiSOC 对外主张里有大量“可被验证的强断言”——决策逐步记录且可重放、公开评测门禁、MIT 许可、默认需要人批准。这类断言一旦被二次转述时夸大就不再成立。因此本文按“资料包陈述 → 仓库证据 → 写作建议”的顺序逐条展开。标准表述一句话版与一段话版资料包提供了两个层级的 boilerplate均为英文原文建议在英文稿中逐字使用中文稿在此基础上做等价翻译不要新增定量承诺。一句话版AiSOC is an open-source, self-hostable AI security operations center whose agent decisions are logged step-by-step and replayable, gated by a public eval harness, and MIT-licensed.这句话包含四个可核查的断言分别对应仓库中的以下实现断言仓库证据open-source / MIT根目录 LICENSE 为 MIT Licenseself-hostable根目录 docker-compose.yml、infra/compose/ 提供完整栈编排decisions logged step-by-step and replayableservices/api/migrations/008_investigation_ledger.sql 定义investigation_runs/investigation_events/investigation_artifacts三张表重放侧见 services/agents/app/replay/runner.pygated by a public eval harnessscripts/run_evals.py 与 apps/docs/docs/benchmark.md 中的门禁说明一段话版含一个必须保留的“坏消息”资料包中的段落版在描述完产品后特意加了一句非常关键的限定The wedge CLI isnpx aisoc triage --demo— butaisocis ready and unpublished, so that command does not resolve yet; run it from a clone withpnpm --filter aisoc build node packages/aisoc-lite/dist/cli.js triage --demo.这不是免责声明而是事实。仓库中的 packages/aisoc-lite/README.md 解释得很直白release.yml在每次打 tag 时会构建并打包但 npm 的可信发布需要先在包设置页配置而一个从未发布过的包没有设置页——首次上传必须使用 token这属于账号操作而非代码改动。因此包本身是就绪的packages/aisoc-lite/package.json 中bin.aisoc指向dist/cli.jsengines.node 20publishConfig.provenance为true版本0.1.0但npx aisoc目前解析不到任何声称“直接 npx 即可运行”的稿件都是错的正确的替代路径是从克隆运行先构建再执行见下文“复现清单”。写作建议引用段落版时保留对“尚未发布”的说明把它写成“当前发行状态”而非“未来承诺”并注明适用前提需要克隆仓库与 pnpm。Fast facts 逐条核验资料包的 fast facts 是二次传播中最容易被抄错的部分逐条对照如下。许可与运行成本License: MIT——LICENSE 为 MIT License版权声明为 “Copyright (c) 2024-present AiSOC contributors”。No account, no Docker, no API key——这条只对 wedge CLI 的triage --demo路径成立。--demo使用确定性打分器packages/aisoc-lite/src/verdict/engine.ts 中triageBatch为纯函数批处理deterministic: true表格与头条摘要由 packages/aisoc-lite/src/verdict/engine.ts 的summarize生成。而aisoc up是另一条路径packages/aisoc-lite/src/commands/up.ts 开头注释即写明需要 Docker并且会fetch一份钉住的 Compose 包。数据是否外发packages/aisoc-lite/TELEMETRY.md 明确“默认关闭”优先级为--no-telemetry→--telemetry→AISOC_TELEMETRY0→AISOC_TELEMETRY1→ 默认关闭。这条可以直接引用且是很好的差异化事实。Orchestrator 的“~600 行”该怎么写资料包写的是 “Orchestrator: ~600-line LangGraph inservices/agents/”。从源码结构看这个数字更像数量级描述而非精确行数图装配在 services/agents/app/graph/workflow.py该文件共 150 行build_investigation_graph()装配auto_triage → triage → enrichment → investigation → attack_path五个节点调查编排逻辑在 services/agents/app/investigator/orchestrator.py527 行。两者相加约 677 行与“~600 行”同一量级。建议的写法是给出文件路径而不是只给行数“LangGraph 工作流定义在 workflow.py节点实现与编排在 orchestrator.py”这样读者可自行核对也不会因为重构导致行数失准。顺带一个值得写的技术细节auto_triage节点之后的边是条件边workflow.py#L85-L90只有高置信度的 FP/benign 会提前终止到END其余继续走完整管线而同文件的build_escalation_graph()复用同一批节点但跳过 auto-triage 入口供 Kafka worker 处理已判决的告警。这比“有 5 个 agent”更能说明架构。默认响应姿态copilot / dry-run资料包写 “Default response posture: copilot / dry-run (human approval required)”。这一条在代码里是默认值不是口号services/agents/app/investigator/state.py 中dry_run: bool Trueservices/agents/app/investigator/responder_agent.py 调用时显式传dry_runTrue并写入 “recommended actions” 而非执行结果services/agents/app/playbook/action_bridge.py 的注释说明两端都默认 dry-run任何一方都无法单方面把动作变成真实执行。这条主张还有评测侧的支撑apps/docs/docs/benchmark.md 的判读质量部分给出的结论是 auto-close 精确率在 0.091 到 0.571 之间分母 7 到 37 个候选并明确写了 “Nothing here supports autonomous closure”这也正是出厂姿态保持人工批准的原因。写稿时把这两点放在一起比单说“安全可控”有力得多。数据驻留与出口资料包写 “Data residency: self-hosted; hosted-LLM evidence pseudonymized by default; air-gapped local-model path available”。三条子断言均有独立文档与代码自托管数据库、对象存储、图、缓存、Kafka 都在自有编排内见 docker-compose.prod.yml。托管模型下证据默认假名化决策入口在 services/agents/app/llm/egress_privacy.py 的should_pseudonymize()可在 services/agents/app/llm/contract.py 看到它被契约层调用内部 IP、邮箱、路径、密钥、内网主机名与用户名被替换为按运行隔离的内存令牌而外部域名与 IP 这类公开威胁指标被刻意保留理由是看不见指标的 agent 无法推理指标。气隙本地模型路径默认make up会启动ollama容器并加载llama3.2:3b-instruct-q4_K_M另有 infra/compose/ 下的气隙编排docs/trust/data-flows.md 说明这是唯一能“无条件成立”地宣称数据不外流的模式。这里有一个非常适合写进技术稿的“诚实细节”data-flows.md自述其“证据已假名化”一段曾经是错的——可逆假名化组件存在且单测通过但没有任何 LLM 调用点调用它。修复方式是把控制点放到契约层open_session并新增 services/agents/tests/test_egress_pseudonymization.py 直接检视假 provider 实际收到什么。这类“路径级测试而非函数级测试”的叙述比任何形容词都更能支撑“默认安全”的说法。数字引用红线哪些统计可以引哪些一引就错资料包开篇要求统计数字与评测页一致但评测页本身把数字分成了两类混淆就是最常见的引用事故。类别衡量对象能否作为“agent 准确率”引用Substrate self-check确定性底座提取器、融合分组、报告与计划模板、离线判官的内部一致性不能。毫秒级、无 LLM、无 DB是回归哨兵Wet evallive agent真实 LLM 驱动的端到端表现延迟、token、USD、行为指标能但需注明模型、时间与提交由此推导出四条可直接执行的引用规则。第一MITRE 97% 不是 agent 准确率。apps/docs/docs/benchmark.md 明确说明合成事件由带标签的 MITRE 战术生成描述里刻意写入了手写提取器能识别的关键词因此 97% 主要检验“数据集与提取器彼此一致”。正确措辞是“底座自洽性回归指标”错误措辞是“MITRE ATTCK 覆盖率达 97%”。第二告警压缩有两个数字只有一个描述产品。旧套件报 75.3%但它在测试文件内实现了一套四层分组键为(rule_id, host, user)窗口 10/30/5 分钟与生产逻辑不同。生产逻辑是RawAlert.correlation_key()键为{tenant}:{entity}:{tactic}、窗口一小时见 services/fusion/app/models/alert.py实测 33.3%。评测页保留了措辞很硬的一句75.3% 描述的是“本产品并不运行的算法”。另外新门禁是双侧有界而非单侧下限因为“把一切折叠进一个事件”也能刷出 99.9% 的压缩率。第三模型选择不能按参数规模吹。判读质量表中llama3.1:8b-instruct-q4_K_M的 balanced accuracy 为 0.357而上一代llama3:8b低于 3B 版本四分类下常数回答的基线是 0.250。评测页给出的结论是“每一个被测模型都更接近随机而非可用”并把原因指向判读路径与提示词而非模型大小。任何“换更大模型就准”的说法都与实测相反。第四未测不等于 0。托管模型一行写的是 “not measured”理由是仓库中没有可用的付费 key。评测页专门解释了为什么不能写0零意味着“测过且全错”那是另一种事实和另一种补救方式。同理注入防护有两个必须并列的数字在加固过的语料上检出率 98.1%53/54在留出集上只有 7.1%2/28差距 91 个百分点并且 CI 对留出集刻意不设下限因为给留出集设目标等于指示后续去对它调参。写“检出率 98%”而不写留出集是这一页最严重的误引方式。品牌与命名规范资料包规定了三条硬规则都是“低成本、高价值”的编辑动作产品名写作 AiSOC大写 A、小写 i、大写 SOC不是 “AISOC”也不是 “Aisoc”。这在检索层面有实际影响大小写混写会让同一产品的搜索结果分裂。不与任何具体商业厂商做同名比较。这条不只是文字约定仓库里就有强制实现scripts/check_competitor_names.py 配合词表 scripts/competitor_names.toml 在 CI 中拦截竞品名表述。也就是说你写“比某厂商更好”这类句式不仅违反资料包还与仓库自身的门禁策略冲突。Logo 不得改色四周留白等于标志高度深色背景直接使用原标志。Logo 资源与路径规范资料包给出两个矢量资源。原文使用的是相对资料包自身位置的链接这里统一换算为以仓库根目录为起点标志Logo markapps/web/public/logo-mark.svg社交/OG 卡片apps/web/public/og-image.svg使用要点来自资料包原文不要重新着色四周留出与标志等高的净空深色背景上保持原样使用。两个文件均为 SVG可无损缩放适合会议幻灯片与文章头图。一份可直接照抄的可核查陈述清单把上面的核验结果压缩成写稿时可逐条打勾的清单提到 CLI 时写明“包尚未发布到 npm需从克隆运行”并给出构建命令。提到 compressed/dedup 数字时用生产的 33.3%{tenant}:{entity}:{tactic}、1 小时窗口不用 75.3%。提到 MITRE 97% 时标注为“底座自洽性”不写成 agent 准确率。提到响应动作时说明默认 dry-run需要人工批准并说明依据是 auto-close 精确率不足。提到数据外发时区分三种模式本地模型默认无外流托管模型默认假名化公开指标保留显式关闭假名化。提到 prompt injection 时同时给出留出集 7.1%且说明 CI 对留出集不设下限。产品名统一写 AiSOC不与具体商业厂商做点名比较。引用任何数字时给出评测页路径与适用前提模型、日期、提交。复现清单五条命令亲自验证资料包与评测页的所有声明都可以在本地复现且都不需要 API key。# 1) 构建 wedge CLI包未发布到 npm必须先构建 pnpm --filter aisoc build # 2) 运行 200 条告警的确定性演示无凭证、无 LLM、秒级 node packages/aisoc-lite/dist/cli.js triage --demo # 3) 用自己的告警文件走同一条打分链路只看需要关注的部分 node packages/aisoc-lite/dist/cli.js triage --file alerts.jsonl --attention-only # 4) 复现评测数字毫秒级无需 Docker / GPU / LLM python3 scripts/run_evals.py # 5) 重新生成评测数据集与配套遥测改动模板后使用 python3 scripts/generate_eval_incidents.py第 2 步的判定门槛与主干一致由 packages/aisoc-lite/src/verdict/stages.ts 定义置信度被夹在[0.05, 0.95]≥ 0.80为true_positive、≥ 0.60为likely_true_positive、≥ 0.40为needs_review、其余为likely_benign该文件的注释说明权重栈与阈值是与服务端score_triage逐字对齐的并由stages.test.ts钉住常量——这意味着 CLI 的判决落点与完整栈在 triage 阶段一致这也是资料包敢把 CLI 当作“产品可信入口”的依据。第 4 步会打印各套件的通过/失败、逐模板宏平均以及合成遥测的覆盖情况若要机器可读输出用于看板追加--json要在回归时以非零退出码失败使用--ci --out report.json。决策账本为什么“可重放”不是形容词资料包的一句话版与段落版都把“可重放”放在核心位置这条主张的全部重量落在一次数据库迁移上。services/api/migrations/008_investigation_ledger.sql 定义了三层结构investigation_runs每次调查一行含model_used、status、total_tokens、total_cost_usd、iterationsinvestigation_events每一步一行kind覆盖recon|forensic|responder|reporter|report|error|tool_call|llm_call|llm_prompt|llm_response|evidence_cited|decision_reason并用UNIQUE(run_id, seq)保证单次运行内序号单调investigation_artifacts完整 LLM 记录、工具 I/O 与报告体。两个设计细节尤其值得在稿件中说明因为它们把“日志”升级成了“证据”其一investigation_events通过触发器拒绝UPDATE/DELETE008_investigation_ledger.sql#L68-L78是真正的追加写其二三张表都启用并强制 Row-Level Security策略绑定current_tenant_id()因此账本与告警、案件共享同一套租户隔离模型。写入侧在 services/agents/app/investigator/ledger.py注释说明写入是尽力而为的数据库不可达时记录并继续因为 agent 的首要职责是调查而不是记账。读取与消费侧同样可核查services/mcp/src/tools/investigations.ts 暴露了aisoc_list_investigations、aisoc_get_investigation、aisoc_replay_decision、aisoc_explain_step四个工具。也就是说第三方 agent 或 IDE 可以在不接触内部实现的情况下直接查询某次调查的每一步决策并请求重放——这正是“每个 prompt、工具调用、证据与理由都被存下并可重放”这句对外表述的可执行版本。如果你在稿件中要提 MCP可写的信息以仓库为准services/mcp/src/index.ts 的安装器支持 Claude Desktop、Cursor、Continue 与 Codyservices/mcp/src/server.ts 手动封装低层Server只实现tools/list与tools/call并强调 stdout 纪律不向 stdout 打日志因为标准输入输出就是 JSON-RPC 通道。工具清单见 services/mcp/src/tools/ 下的 alerts、cases、detections、hunt、lake、replay、triage、actions 等模块。常见误引与改写示例下面几组对照可以直接套用左侧是会在事实核查中失分的写法右侧是经得起核查的写法。误引建议改写“运行npx aisoc triage --demo即可”“CLI 已就绪但尚未发布到 npm从克隆运行pnpm --filter aisoc build node packages/aisoc-lite/dist/cli.js triage --demo”“MITRE ATTCK 准确率 97%”“底座自洽性套件在 200 条合成事件上报告 97.0%逐模板宏平均 96.4%n55用于回归而非衡量 agent 准确率”“告警压缩率 75%”“生产关联键实测压缩率 33.3%旧套件的 75.3% 来自测试内的另一套分组逻辑不描述本产品”“8B 模型效果更好”“在 36 对孪生样本上llama3.1:8b-instruct-q4_K_M的 balanced accuracy 为 0.357常数回答基线为 0.250上一代llama3:8b低于 3B 版本”“注入防护检出率 98%”“在加固语料上 98.1%53/54在加固后编写的留出集上 7.1%2/28CI 对留出集不设下限”“支持自动关闭低危告警”“默认 dry-run 且需人工批准auto-close 精确率实测 0.091–0.571不足以支撑自主关闭”联系与勘误资料包把媒体与合作用询导向仓库的 Discussion 渠道而不是私有邮箱。这个选择与整份文件的气质一致所有对外表述都要能被公开追溯勘误也应落在公开位置。如果你在写作中发现某条 fast fact 与源码不符正确做法是先在仓库内定位实现本文给出的路径可作为起点再据实修改表述而不是保留一个“看起来更好”的版本。一句话总结这份资料包的用法它给的不是营销话术而是一组带证据边界的断言。把边界一起写出去——包还没发布、97% 是底座自洽、8B 不等于更强、留出集只有 7.1%、默认需要人批准——恰恰是 AiSOC 这类项目最值得被技术读者信任的地方。赞分享人工智能AI Agent网络安全后端前端【免费下载链接】AiSOCOpen-source AI Security Operations Center: alert fusion, LLM-agent triage, MITRE ATTCK investigation, and a replayable decision ledger for every agent step. Self-hostable, runs with no API keys, MIT licensed. Ships an MCP server for Claude, Cursor and Continue.项目地址https://gitcode.com/GitHub_Trending/ai/AiSOC点击查看免费下载相关推荐Kiln OpenAPI 规范治理实战面向 Agent 的可编程 API 文档修复报告与落地验证Kiln OpenAPI 规范治理实战面向 Agent 的可编程 API 文档修复报告与落地验证 本文以 Kiln 仓库中 specs/projects/do人工智能AI 应用大模型模型评测提示工程微调RAGAI Agent数据标注数据增强LLMOps本地部署桌面应用AiSOC 发布素材包实战把「可验证的营销话术」写进 Git 仓库AiSOC 发布素材包实战把「可验证的营销话术」写进 Git 仓库 AiSOC 的 marketing/launch/ 目录不是一堆宣传文案的堆放点而是一套人工智能AI Agent网络安全后端前端智慧树刷课插件安装教程4步快速装好Chrome插件新手也能一次成功智慧树刷课插件安装教程4步快速装好Chrome插件新手也能一次成功 智慧树刷课插件 是一款免费的 Chrome 浏览器插件视频播完自动播放下一集、1.5RPA前端上一篇GSD Core UI 契约校验gsd-ui-checker 如何用 7 维度审计阻断 UI-SPEC 设计债下一篇OWASP Juice Shop 新挑战验收指南基于 verify-challenge Skill 的完整校验工作流与元数据规范创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考