什么是 OpenHack

OpenHack 是一个用于 AI 辅助源码安全审计 的文件式工作空间和工具包，其中包含：

• 预定义提示（prompts）
• 审计工作流
• 文档与示例
• 命令行工具（CLI）

这些组件共同决定了 LLM 如何分析代码、如何记录证据以及如何报告漏洞。

该工具可以直接运行在多种 AI 编程代理环境中，例如：

• Claude Code
• Codex
• Cursor

这些环境允许 AI 代理读取代码仓库、执行任务并理解项目上下文，使安全审计能够在开发流程中自动完成，而不必完全依赖人工安全审计。

为什么传统的 LLM 代码审计不可靠

如果只是给模型一个简单提示，比如“找出这个仓库的漏洞”，通常会出现几个问题：

• 误报率高：把正常代码模式误判为安全漏洞
• 漏洞幻觉：模型虚构并不存在的问题
• 分析不稳定：提示词稍微变化，结果就完全不同

Hadrian 的思路是：不要让模型“自由发挥”，而是用严格的审计流程约束 AI 的推理路径。

场景化漏洞调查（Scenario‑Based Scoping）

OpenHack 的核心理念之一是 按攻击场景进行分析。

与其让 AI 在整个代码库里“随便找问题”，工作流会让它专注于具体攻击路径，例如：

• 追踪用户输入在应用中的数据流
• 查找本地文件包含（LFI）漏洞
• 分析凭证存储或云配置问题

这种方法能显著缩小模型的注意范围，让它围绕明确的攻击目标进行推理，从而减少泛泛而谈的安全建议。

独立复核：把发现与验证分开

OpenHack 另一个关键机制是 把漏洞发现与漏洞确认分成两个阶段。

一个典型流程如下：

1. 第一个 AI 代理提出潜在漏洞
2. 第二个步骤或代理进行独立复核
3. 只有在证据充分时才认定为真实漏洞

复核阶段通常会要求提供具体证据，例如：

• 可利用的代码路径
• 攻击链条
• 配置或权限问题

这种结构化流程能过滤掉大量质量较低的报告，从而降低误报率。

在荷兰政府开源项目中的测试

Hadrian 表示，他们曾使用类似方法审计荷兰政府机构使用的多个开源应用。

根据公司披露，这次 AI 辅助审计在数小时内发现了数百个安全问题。

其中一个案例涉及一条完整攻击链：

• 一个未认证的本地文件包含（LFI）漏洞
• 进而暴露 Azure 云凭证
• 最终可能实现 Azure 环境中的远程代码执行（RCE）

不过需要注意，这些成果主要来自厂商自身披露，目前仍需要更多独立研究验证其效果。

为什么选择开源

Hadrian 将 OpenHack 以 MIT 许可证 发布到 GitHub，并提供：

• 完整文档
• CLI 工具
• 审计提示模板
• Python 3.9 及以上版本支持

公司表示，这样做是为了“让防守方拥有同样的 AI 漏洞发现能力”。如果这类技术只掌握在少数组织或攻击者手中，防御者可能会处于劣势。

一个正在形成的趋势：AI 安全审计

OpenHack 反映出软件安全领域的一大趋势：使用 AI 代理规模化探索代码库漏洞。

现代 AI 开发工具已经能够：

• 理解完整代码仓库
• 分析架构关系
• 自动执行开发任务

像 OpenHack 这样的结构化工作流，则试图把这些能力转化为系统化漏洞研究能力，让通用大模型变成可重复、可验证的安全审计工具，而不是不可预测的自动评论员。

随着 AI 编程环境越来越普及，强调范围限定、证据收集和独立验证的审计方法，很可能会成为 AI 安全代码审计可信度的关键。

什么是 OpenHack

OpenHack 是一个用于 AI 辅助源码安全审计 的文件式工作空间和工具包，其中包含：

• 预定义提示（prompts）
• 审计工作流
• 文档与示例
• 命令行工具（CLI）

这些组件共同决定了 LLM 如何分析代码、如何记录证据以及如何报告漏洞。

该工具可以直接运行在多种 AI 编程代理环境中，例如：

• Claude Code
• Codex
• Cursor

这些环境允许 AI 代理读取代码仓库、执行任务并理解项目上下文，使安全审计能够在开发流程中自动完成，而不必完全依赖人工安全审计。

为什么传统的 LLM 代码审计不可靠

如果只是给模型一个简单提示，比如“找出这个仓库的漏洞”，通常会出现几个问题：

• 误报率高：把正常代码模式误判为安全漏洞
• 漏洞幻觉：模型虚构并不存在的问题
• 分析不稳定：提示词稍微变化，结果就完全不同

Hadrian 的思路是：不要让模型“自由发挥”，而是用严格的审计流程约束 AI 的推理路径。

场景化漏洞调查（Scenario‑Based Scoping）

OpenHack 的核心理念之一是 按攻击场景进行分析。

与其让 AI 在整个代码库里“随便找问题”，工作流会让它专注于具体攻击路径，例如：

• 追踪用户输入在应用中的数据流
• 查找本地文件包含（LFI）漏洞
• 分析凭证存储或云配置问题

这种方法能显著缩小模型的注意范围，让它围绕明确的攻击目标进行推理，从而减少泛泛而谈的安全建议。

独立复核：把发现与验证分开

OpenHack 另一个关键机制是 把漏洞发现与漏洞确认分成两个阶段。

一个典型流程如下：

1. 第一个 AI 代理提出潜在漏洞
2. 第二个步骤或代理进行独立复核
3. 只有在证据充分时才认定为真实漏洞

复核阶段通常会要求提供具体证据，例如：

• 可利用的代码路径
• 攻击链条
• 配置或权限问题

这种结构化流程能过滤掉大量质量较低的报告，从而降低误报率。

在荷兰政府开源项目中的测试

Hadrian 表示，他们曾使用类似方法审计荷兰政府机构使用的多个开源应用。

根据公司披露，这次 AI 辅助审计在数小时内发现了数百个安全问题。

其中一个案例涉及一条完整攻击链：

• 一个未认证的本地文件包含（LFI）漏洞
• 进而暴露 Azure 云凭证
• 最终可能实现 Azure 环境中的远程代码执行（RCE）

不过需要注意，这些成果主要来自厂商自身披露，目前仍需要更多独立研究验证其效果。

为什么选择开源

Hadrian 将 OpenHack 以 MIT 许可证 发布到 GitHub，并提供：

• 完整文档
• CLI 工具
• 审计提示模板
• Python 3.9 及以上版本支持

公司表示，这样做是为了“让防守方拥有同样的 AI 漏洞发现能力”。如果这类技术只掌握在少数组织或攻击者手中，防御者可能会处于劣势。

一个正在形成的趋势：AI 安全审计

OpenHack 反映出软件安全领域的一大趋势：使用 AI 代理规模化探索代码库漏洞。

现代 AI 开发工具已经能够：

• 理解完整代码仓库
• 分析架构关系
• 自动执行开发任务

像 OpenHack 这样的结构化工作流，则试图把这些能力转化为系统化漏洞研究能力，让通用大模型变成可重复、可验证的安全审计工具，而不是不可预测的自动评论员。

随着 AI 编程环境越来越普及，强调范围限定、证据收集和独立验证的审计方法，很可能会成为 AI 安全代码审计可信度的关键。