MCP Secure Agents

Практический репозиторий про безопасных AI-агентов: минимальные права, allowlist, валидация, Human-in-the-Loop, sandbox и аудит.

Главная идея: модель может ошибаться — система не обязана позволять ей выполнить опасное действие.

Базовая схема

USER → AGENT → POLICY → TOOL → RESULT
                    ↓
                  BLOCK

Агент выбирает действие, но выполнение контролируется отдельным слоем политик.

Prompt ≠ Security Boundary.

Related MCP server: Kali MCP Security Lab

Что здесь есть

• минимальные права;

• allowlist инструментов;

• валидация параметров;

• блокировка опасных операций;

• Human-in-the-Loop для чувствительных действий;

• журналирование решений;

• простой policy engine.

Демо-сценарий

Пользователь ставит задачу анализа пакета. Агент может читать разрешённые данные и искать сведения об уязвимостях, но изменение данных и произвольные shell-команды запрещены политикой.

READ DATA       → ALLOWED
SEARCH DATA     → ALLOWED
EXPORT RESULT   → approval / policy
WRITE DATA      → BLOCKED
RUN SHELL       → BLOCKED

Это демонстрирует принцип из доклада: границы задаются архитектурой и политиками, а не обещанием модели вести себя безопасно.

Security controls

Allowlist

Агент видит только явно разрешённые инструменты.

Least privilege

Каждый инструмент получает минимально необходимые права.

Validation

Параметры tool-call проверяются до выполнения.

Human-in-the-Loop

Чувствительное действие можно остановить до исполнения и передать решение человеку.

Sandbox

Код и потенциально опасные операции выполняются в изолированной среде.

Audit

Решения, разрешения и блокировки фиксируются для последующего анализа.

Быстрый старт

Требования

• Python 3.10+

• uv или pip

git clone https://github.com/TopskiyPavelQwertyGang/mcp-secure-agents.git
cd mcp-secure-agents
uv sync
uv run python demo.py

MCP server:

uv run mcp dev server.py

Что попробовать руками

1. Запустить demo.py.

2. Посмотреть разрешённые действия.

3. Попробовать запрещённое действие и увидеть BLOCKED.

4. Изменить policies/agent-policy.yaml.

5. Запустить пример повторно и увидеть, как политика меняет поведение системы.

Структура

.
├── README.md
├── QUICKSTART.md
├── demo.py
├── server.py
├── policy.py
├── validators.py
├── audit.py
├── pyproject.toml
├── policies/
│   └── agent-policy.yaml
├── examples/
└── docs/
    ├── threat-model.md
    └── controls.md

Learning path

1. mcp-protocol-guide — понять MCP.

2. mcp-secure-agents — понять границы и policy enforcement.

3. mcp-use-cases — применить подход к своим сценариям.

Важно

Это учебный security lab, а не production-ready security framework. Примеры намеренно абстрактны и не описывают внутреннюю архитектуру, политики или процессы какой-либо организации.

Для production потребуются собственная модель угроз, IAM, управление секретами, наблюдаемость, rate limits, аудит и другие контроли в зависимости от сценария.

Prompt ≠ Security Boundary