VibeShift：Vibe Coders 的安全工程师

VibeShift是一款智能安全代理，旨在与 AI 编码助手（例如 Cursor、GitHub Copilot、Claude Code 等）无缝集成。它充当您的自动化安全工程师，分析 AI 生成的代码，识别漏洞，并在不安全代码进入您的代码库*之前，*协助 AI 驱动的修复。它利用**MCP（模型上下文协议）**与您现有的 AI 编码环境顺畅交互。

问题： AI 编程助手虽然能显著加速开发速度，但它们生成的代码也可能存在隐蔽或明显的安全漏洞。手动审查所有 AI 生成的代码是否存在安全漏洞，速度缓慢、容易出错，而且无法跟上 AI 开发的速度。这种“氛围驱动型开发”可能会让应用程序暴露在风险之中。

解决方案：GroundNG 的 VibeShift通过使您的 AI 编码助手能够执行以下操作来弥补这一关键的安全漏洞：

1. **自动分析 AI 生成的代码：**当 AI 助手生成或修改代码时，可以触发 VibeShift 使用一套工具（SAST、DAST 组件）和 AI 驱动的检查执行安全分析。

2. **识别安全漏洞：**找出 AI 生成的代码片段或更大的代码块中的常见和复杂漏洞（例如 XSS、SQLi、不安全配置、逻辑缺陷）。

3. **促进人工智能驱动的补救：**直接向人工智能编码助手提供详细的反馈和漏洞信息，使其能够建议甚至自动应用修复。

4. **创建安全反馈循环：**确保开发人员及其人工智能助手立即意识到潜在的安全风险，从而能够快速纠正和学习。

这为人工智能辅助编码创建了一个“左移”安全范式，将安全性直接嵌入到开发工作流程中，并有助于更快地交付更安全的代码。

演示（点击播放这些视频）

特征

• **MCP 集成：**与 Cursor/Windsurf/Github Copilot/Roo Code 无缝集成

• **自动安全扫描：**触发 AI 代码生成/修改来执行：

  • **静态代码分析 (SAST)：**集成 Semgrep 等工具来查找源代码中的漏洞。

  • **动态分析（DAST 原语）：**可以调用 Nuclei 或 ZAP 等工具来检查正在运行的组件（如果适用）。

• **人工智能辅助测试记录：**根据自然语言描述生成基于 Playwright 的测试脚本（自动模式）。

• **确定性测试执行：**使用 Playwright 可靠地运行记录的 JSON 测试文件。

• **人工智能测试发现：**抓取网站并利用任何 LLM（符合 openai 格式）为发现的页面建议测试步骤。

• **回归测试：**轻松运行现有的测试套件来捕捉回归。

• **自动反馈循环：**返回执行结果（包括失败、屏幕截图、控制台日志），向AI助手提供直接反馈。

• **自我修复：**现有测试可在代码变更时自我修复。无需手动更新。

• UI 测试： Playwright 不直接支持的 UI 测试也支持。例如， Check if the text is overflowing in the div

• 视觉回归测试：使用传统的像素匹配和视觉 LLM 方法。

工作原理

1. **用户：**提示他们的 AI 编码助手（例如，“测试此存储库的安全漏洞”、“记录登录流程的测试”、“运行回归测试‘test_login.json’”）。

2. **AI编码代理：**识别意图并使用MCP调用MCP Server提供的相应工具。

3. **MCP 服务器：**将请求路由到相应的函数（ get_security_scan 、 record_test_flow 、 run_regression_test 、 discover_test_flows 、 list_recorded_tests ）。

4. VibeShift 代理：

   • 传统安全扫描：（例如，Semgrep）。

   • 记录： WebAgent （自动模式）与 LLM 交互以规划步骤，通过BrowserController （Playwright）控制浏览器，处理 HTML/Vision，并将生成的测试步骤保存到output/目录中的 JSON 文件中。

   • 执行： TestExecutor加载指定的JSON测试文件，根据记录的步骤使用BrowserController与浏览器交互，并捕获结果、截图和控制台日志。

   • 发现： CrawlerAgent使用BrowserController和LLMClient来抓取页面并建议测试步骤。

5. 浏览器： Playwright 驱动实际的浏览器交互。

6. 反馈回路：

   • 综合安全报告（漏洞、位置、建议）通过MCP服务器返回给AI编码代理。

   • AI 编码代理将此信息呈现给开发人员，并可以使用该信息来建议或应用修复。

   • 目标是代码生成->安全扫描->人工智能驱动修复->重新扫描（可选）的快速循环。

入门

先决条件

• Python 3.10+

• 获得任何 LLM 学位（在我的测试中，gemini 2.0 flash 效果最好，免费）

• MCP 安装（ pip install mcp[cli] ）

• 安装了 Playwright 浏览器（ patchright install ）

安装

1. 克隆存储库：

   git clone https://github.com/GroundNG/VibeShift cd VibeShift

2. 创建虚拟环境（推荐）：

   python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows

3. 安装依赖项：

   pip install -r requirements.txt

4. 安装 Playwright 浏览器：

   patchright install --with-deps # Installs browsers and OS dependencies

配置

1. 将项目根目录中的 .env.example 重命名为 .env 文件。

2. 添加您的 LLM API 密钥和其他必要的详细信息：

   # .env LLM_API_KEY="YOUR_LLM_API_KEY"

   • 用您的实际密钥替换YOUR_LLM_API_KEY 。

添加 MCP 服务器

将其添加到您的 mcp 配置中：

当您与 AI 编码助手交互时，请保持此服务器运行。

用法

通过支持 MCP 的 AI 编码助手使用自然语言与代理进行交互。

例子：

• 安全分析：

  • 自动（首选）： VibeShift 自动分析由 AI 助手生成或显著修改的代码片段。

  • 显式命令：

    “VibeShift，分析此函数是否存在安全漏洞。” “请 VibeShift 检查 Copilot 刚刚编写的 Python 代码是否存在 SQL 注入。” “提交之前，请使用 VibeShift 保护生成的代码。”

• 记录测试：

  “记录测试：转到https://practicetestautomation.com/practice-test-login/ ，在用户名字段中输入‘student’，在密码字段中输入‘Password123’，单击提交按钮，并验证文本‘Congratulations student’是否可见。”

  • （代理将自动执行这些操作并在

• 执行测试：

  “运行回归测试output/test_practice_test_login_20231105_103000.json ”

  • （代理将执行指定文件中的步骤并报告 PASS/FAIL 状态以及错误和详细信息。）

• 发现测试步骤：

  “从https://practicetestautomation.com/practice/开始发现潜在的测试步骤”

  • （代理将抓取网站、分析页面并返回每个页面的建议测试步骤。）

• 列出已记录的测试：

  “列出可用的已记录的网络测试。”

  • （代理将返回在

输出：

• **安全报告：**返回给AI编码助手，详情如下：

  • 漏洞类型（例如 CWE、OWASP 类别）

  • 代码中的位置

  • 严重程度

  • 证据/解释

  • 建议的补救措施（通常由人工智能采取行动）

• **记录的测试：**保存为output/目录中的 JSON 文件（有关格式，请参阅test_schema.md ）。

• **执行结果：**以 JSON 对象形式返回，其中包含运行概要（状态、错误、证据路径）。完整结果也保存到output/execution_result_....json 。

• **发现结果：**以 JSON 对象形式返回，其中包含发现的 URL 和建议步骤。完整结果保存在output/discovery_results_....json 。

灵感

• 浏览器使用：DOM 上下文树的生成深受他们的启发，并进行了修改以适应静态/动态/可视化元素。特别感谢他们对开源的贡献。

• Semgrep ：我们利用的强大的开源静态分析工具。

• 细胞核：用于基于模板的动态扫描功能。

贡献

欢迎大家贡献代码！请参阅CONTRIBUTING.md了解如何开始使用、报告问题以及提交 Pull Request。我们尤其欢迎以下人员：

• 新的安全分析器集成。

执照

该项目根据APACHE-2.0许可。