[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M72WKKAMV1S0JXR3ZYCVR9NV":3,"skill-same:01M72WKKAMV1S0JXR3ZYCVR9NV":152},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":29,"ownerHtmlUrl":30,"ownerBlogUrl":6,"ownerDescription":6,"updatedAt":31,"install":32,"resources":45},"01M72WKKAMV1S0JXR3ZYCVR9NV","java-audit-skill",null,"AI驱动的Java代码安全审计技能，实现系统化、高覆盖率的漏洞挖掘。使用场景：\n(1) 审计Java\u002FKotlin项目寻找安全漏洞（0day挖掘、代码审计、安全评估）\n(2) 企业级代码库的安全审计（支持大型项目）\n(3) 需要高质量、低幻觉率的安全审计报告\n(4) CI\u002FCD集成的前期漏洞发现\n触发关键词：Java审计、代码审计、安全审计、漏洞挖掘、0day、安全评估、Java security audit、code review for security","agentscope-ai\u002FPawBench","agentscope-ai","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F211762292?v=4","01M6CRT6543BZGGVK3P85GC08Q","AgentScope-AI","01M72WJAXCYDAXK74090327ER7",127,"Apache-2.0","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FSKILL.md",[],[],"2026-11-10 22:39:42",false,"---\nname: java-audit-skill\ndescription: |\n  AI驱动的Java代码安全审计技能，实现系统化、高覆盖率的漏洞挖掘。使用场景：\n  (1) 审计Java\u002FKotlin项目寻找安全漏洞（0day挖掘、代码审计、安全评估）\n  (2) 企业级代码库的安全审计（支持大型项目）\n  (3) 需要高质量、低幻觉率的安全审计报告\n  (4) CI\u002FCD集成的前期漏洞发现\n  触发关键词：Java审计、代码审计、安全审计、漏洞挖掘、0day、安全评估、Java security audit、code review for security\n---\n\n# AI+Java 代码审计 Skill\n\n本 Skill 将资深审计员的工作方法和质量标准编码成 LLM 可执行的协议，解决裸跑 LLM 覆盖率低、幻觉高、优先级混乱等核心痛点。\nemail : aurora1219@139.com\n\n## 核心理念\n\n**LLM 有能力，缺纪律。** Skill 不教 LLM \"什么是 SQL 注入\"，而是给它装上资深审计员的工作骨架——定义工作流、分配资源、设置护栏、标准化输出。\n\n## 6 阶段审计流水线\n\n```\nPhase 0 → Phase 1 → Phase 2 → Phase 2.5 → Phase 3 → Phase 4 → Phase 5\n 代码度量   项目侦察   全量审计   覆盖率门禁  漏洞验证  规则沉淀  标准化报告\n```\n\n每个 Phase 有明确的输入、输出和质量标准，中间结果全量持久化到文件。\n\n---\n\n## Phase 0: 代码库度量\n\n**目标**: 统计项目规模，计算审计工作量，为 Agent 分配提供依据。\n\n### 执行脚本\n\n```bash\n# 统计代码行数和文件数（注意括号）\nfind . \\( -name \"*.java\" -o -name \"*.kt\" -o -name \"*.xml\" \\) | xargs wc -l | tail -1\n\n# 统计各类型文件\nfind . -name \"*.java\" | wc -l\nfind . -name \"*.kt\" | wc -l\nfind . -name \"*.xml\" | wc -l\n\n# 统计 Controller 数量\ngrep -r \"@Controller\\|@RestController\\|@WebServlet\" --include=\"*.java\" | wc -l\n\n# 统计模块数（Maven 多模块项目）\nfind . -name \"pom.xml\" | wc -l\n\n# 统计模块数（Gradle 多模块项目）\nfind . -name \"build.gradle\" -o -name \"build.gradle.kts\" | wc -l\n```\n\n### 输出文件: `metrics.json`\n\n```json\n{\n  \"total_loc\": 131000,\n  \"java_files\": 847,\n  \"kt_files\": 0,\n  \"xml_files\": 156,\n  \"controllers\": 40,\n  \"modules\": 5,\n  \"complexity_score\": \"HIGH\"\n}\n```\n\n---\n\n## Phase 1: 项目侦察 & EALOC 资源分配\n\n### 1.1 Tier 分类规则\n\n| 规则 | 条件 | Tier | 分析深度 |\n|------|------|------|----------|\n| Rule 0 | 第三方库源码 | SKIP | 不审计 |\n| Rule 1 | Layer 1 预扫描有 P0\u002FP1 候选项 | T1 | 动态提升 |\n| Rule 2 | 含 @Controller\u002F@RestController\u002F@WebServlet\u002FFilter | T1 | 完整深度分析 |\n| Rule 3 | 含 @Service\u002F@Repository\u002F@Mapper | T2 | 聚焦关键维度 |\n| Rule 4 | 类名含 Util\u002FHelper\u002FHandler | T2 | 聚焦关键维度 |\n| Rule 5 | .properties\u002F.yml\u002Fsecurity.xml | T2 | 聚焦关键维度 |\n| Rule 6 | 含 @Entity\u002F@Table\u002F@Data | T3 | 快速模式匹配 |\n| Rule 7 | 未匹配任何规则 | T2 | 保守兜底 |\n\n### 1.2 EALOC 公式\n\n```\nEALOC = T1_LOC × 1.0 + T2_LOC × 0.5 + T3_LOC × 0.1\n```\n\n**Agent 分配**: `Agent数量 = ceil(EALOC \u002F 15000)`\n\n### 1.3 输出文件: `tier-classification.md`\n\n```markdown\n# Tier 分类结果\n\n## 模块: module-biz (131,000 LOC)\n\n| 子任务 | Agent | 文件范围 | 文件数 | Tier分布 | EALOC |\n|--------|-------|---------|-------|---------|-------|\n| 1a | Agent 1 | controller\u002F | 147 | T1: 14K | 14,000 |\n| 1b | Agent 2 | service\u002F + dao\u002F | 200 | T2: 30K | 15,000 |\n| 1c | Agent 3 | entity\u002F + vo\u002F | 500 | T3: 87K | 8,700 |\n\n**总 EALOC**: 37,700 → 需要 3 个 Agent\n```\n\n---\n\n## Phase 2: 三层审计架构\n\n### Layer 1: 全量预扫描（不用 LLM）\n\n使用 ripgrep + Semgrep 扫描所有文件，按 P0-P3 标记危险模式。\n\n#### P0 级危险模式（RCE\u002F反序列化）\n\n```bash\n# 反序列化全家族\ngrep -rn \"ObjectInputStream\\|XMLDecoder\\|XStream\" --include=\"*.java\"\ngrep -rn \"JSON\\.parseObject\\|JSON\\.parse\\|@type\" --include=\"*.java\"  # Fastjson\ngrep -rn \"enableDefaultTyping\\|activateDefaultTyping\" --include=\"*.java\"  # Jackson\ngrep -rn \"HessianInput\\|Hessian2Input\" --include=\"*.java\"  # Hessian\n\n# SSTI 全引擎\ngrep -rn \"Velocity\\.evaluate\\|VelocityEngine\\|mergeTemplate\" --include=\"*.java\"\ngrep -rn \"freemarker\\.template\\|Template\\.process\\|FreeMarkerConfigurer\" --include=\"*.java\"\ngrep -rn \"SpringTemplateEngine\\|TemplateEngine\\.process\" --include=\"*.java\"  # Thymeleaf\n\n# 表达式注入\ngrep -rn \"SpelExpressionParser\\|parseExpression\\|evaluateExpression\" --include=\"*.java\"\ngrep -rn \"OgnlUtil\\|Ognl\\.getValue\\|ActionContext\" --include=\"*.java\"\n\n# JNDI 注入\ngrep -rn \"InitialContext\\.lookup\\|JdbcRowSetImpl\\|setDataSourceName\" --include=\"*.java\"\n\n# 命令执行\ngrep -rn \"Runtime\\.getRuntime\\|ProcessBuilder\\|exec(\" --include=\"*.java\"\n```\n\n#### P1 级危险模式（SQL 注入\u002FSSRF\u002F文件操作）\n\n```bash\n# SQL 注入风险\ngrep -rn \"Statement\\|createStatement\\|executeQuery\\|executeUpdate\" --include=\"*.java\"\ngrep -rn '\\$\\{' --include=\"*.xml\"  # MyBatis ${} 注入\n\n# SSRF\ngrep -rn \"URL\\(|HttpURLConnection\\|HttpClient\\|RestTemplate\\|WebClient\" --include=\"*.java\"\n\n# 文件操作\ngrep -rn \"FileInputStream\\|FileOutputStream\\|FileWriter\\|Files\\.read\\|Files\\.write\" --include=\"*.java\"\ngrep -rn \"getOriginalFilename\\|transferTo\\|MultipartFile\" --include=\"*.java\"  # 文件上传\n```\n\n#### P2 级危险模式（认证\u002F授权\u002F加密）\n\n```bash\n# 认证相关\ngrep -rn \"@PreAuthorize\\|@Secured\\|@RolesAllowed\\|hasRole\\|hasAuthority\" --include=\"*.java\"\ngrep -rn \"permitAll\\|anonymous\\|authenticated\" --include=\"*.java\"\n\n# 加密相关\ngrep -rn \"MessageDigest\\|Cipher\\|SecretKey\\|PasswordEncoder\" --include=\"*.java\"\n```\n\n### Layer 2: 双轨审计模型\n\n每个 Agent 执行两条并行的审计轨道：\n\n#### 轨道 1: Sink-driven（从危险代码往上追）\n\n发现 `Runtime.exec(cmd)` → 追踪 `cmd` 参数来源 → 检查是否有过滤 → 判断是否来自用户输入\n\n#### 轨道 2: Control-driven（从端点往下查安全控制）\n\n发现 `\u002Fapi\u002Fadmin\u002FdeleteUser` 端点 → 检查是否有认证注解 → 检查是否有权限校验\n\n**为什么需要两条轨道？** 认证绕过这类漏洞，单独用 Sink-driven 找不到——该漏洞不是某行代码有问题，而是某个端点缺少了应有的权限检查。\n\n### Layer 2.5: 代码分析深度检查\n\n对于 Semgrep 规则无法覆盖的漏洞类型，需要通过代码分析进行判断：\n\n#### 业务逻辑漏洞\n\n```\n检查要点：\n1. 支付金额：金额是否来自前端？是否有后端校验？\n2. 库存并发：是否有并发控制？检查和扣减是否原子操作？\n3. 状态机：状态流转是否有前置条件校验？\n```\n\n#### 越权漏洞\n\n```\n检查要点：\n1. 水平越权：数据查询是否校验归属？userId 是否从 Session 获取？\n2. 垂直越权：管理接口是否有权限注解？前后端权限是否一致？\n```\n\n#### 依赖安全\n\n```\n检查要点：\n1. 读取 pom.xml\u002Fbuild.gradle\n2. 提取 Log4j、Fastjson、Shiro、Spring 等关键依赖版本\n3. 使用 web_search 搜索漏洞信息\n   - 搜索格式: \"\u003C组件名> \u003C版本号> CVE vulnerability\"\n   - 示例: \"log4j 2.14.1 CVE\", \"fastjson 1.2.79 vulnerability\"\n4. 分析搜索结果中的 NVD、官方公告\n5. 标记需要升级的依赖\n```\n\n**联网搜索示例**：\n\n```\n发现依赖:\n  \u003Cdependency>\n    \u003CgroupId>org.apache.logging.log4j\u003C\u002FgroupId>\n    \u003CartifactId>log4j-core\u003C\u002FartifactId>\n    \u003Cversion>2.14.1\u003C\u002Fversion>\n  \u003C\u002Fdependency>\n\n使用 web_search:\n  query: \"log4j-core 2.14.1 CVE vulnerability\"\n\n分析结果:\n  - CVE-2021-44228 (Log4Shell)\n  - CVSS: 10.0 Critical\n  - 影响版本: 2.0-beta9 to 2.15.0\n  - 修复版本: 2.17.1+\n\n结论: 需要升级到 2.17.1+\n```\n\n#### 运行时配置\n\n```\n检查要点：\n1. Session 超时、Cookie Secure\u002FHttpOnly\n2. Actuator 端点暴露\n3. 数据库密码明文存储\n4. 调试模式开启\n```\n\n**详细判断方法见**: [references\u002Fvulnerability-conditions.md](references\u002Fvulnerability-conditions.md) 第 16-20 节\n\n### Layer 3: 调用链语义级验证\n\n优先使用 LSP 做语义级追踪：\n\n```\n候选 Sink (Statement.executeUpdate(sql))\n↓ goToDefinition → 确认实际实现\n↓ findReferences → 向上追踪所有调用者\n↓ hover → 获取中间变量类型\n↓ 重复 findReferences → 直到到达 Controller 入口或确认不可达\n↓ 记录完整调用链，每一跳标注 文件:行号\n```\n\nLSP 不可用时退化到 Grep + Read 手动追踪。\n\n---\n\n## Phase 2.5: 覆盖率门禁\n\n**这是反 LLM 天性的核心设计**——LLM 倾向于跳过\"看起来不重要\"的代码，而漏洞恰恰喜欢藏在那些地方。\n\n### 模块覆盖矩阵\n\n```markdown\n| # | 模块路径 | LOC | EALOC | Controller数 | 风险评估 | 分配 Agent | Phase2 状态 | Phase3 状态 |\n|---|---------|-----|-------|-------------|---------|-----------|------------|------------|\n| 1 | module-auth | 8,000 | 5,200 | 6 | HIGH | Agent 1 | 完成 | 完成 |\n| 2 | module-gateway | 12,000 | 7,800 | 8 | HIGH | Agent 2 | 完成 | 进行中 |\n| 3 | module-biz | 131,000 | 37,700 | 40 | HIGH | Agent 3a~3c | 部分完成 | 未开始 |\n```\n\n### 文件级覆盖率验证\n\n每个 Agent 输出必须包含审阅文件清单：\n\n```markdown\n| # | 文件路径 | Tier | 状态 | 发现数 |\n|---|---------|------|------|-------|\n| 1 | AuthController.java | T1 | 完成 已审阅 | 2 |\n| 2 | ShiroConfig.java | T1 | 完成 已审阅 | 1 |\n| 3 | UserServiceImpl.java | T2 | 完成 已审阅 | 0 |\n| 4 | User.java | T3 | 完成 已审阅 | 0 |\n| 5 | com\u002Falibaba\u002Ffastjson\u002FJSON.java | SKIP | 跳过 第三方库 | - |\n```\n\n**门禁检查**: 拿这份清单和 `find` 命令的实际文件列表做 diff。清单里没出现的文件 = 漏审。\n\n### 门禁判断逻辑\n\n```\n收到每个 Agent 结果后立即执行：\n1. 读取 Agent 输出的「审阅文件清单」\n2. 与实际文件列表交叉验证\n3. 覆盖率 = 100% → 该 Agent 通过\n   覆盖率 \u003C 100% → 立即为未覆盖文件启动补扫 Agent\n\n所有 Agent 完成后：\n- 全部模块 Phase2 = 完成 → 进入 Phase 3\n- 存在 未开始 或 部分完成 → 启动补充 Agent → 循环直到 100%\n```\n\n**禁止在覆盖率 \u003C 100% 时进入 Phase 3。没有例外。**\n\n---\n\n## Phase 3: 漏洞验证 & DKTSS 评分\n\n### 反幻觉 5 条铁律\n\n1. **报告漏洞前必须用 Read 验证文件存在**\n2. **代码片段必须来自实际 Read 输出，不得编造**\n3. **调用链每一跳必须标注 文件:行号**\n4. **不确定的发现标记为 HYPOTHESIS，不得标记为 CONFIRMED**\n5. **宁可漏报，不可误报**\n\n### 漏洞成立条件判断\n\n**详见 [references\u002Fvulnerability-conditions.md](references\u002Fvulnerability-conditions.md)**\n\n示例 - Fastjson 反序列化判断流程：\n```\n发现 JSON.parseObject() \u002F JSON.parse() 调用\n↓\n检查版本：\n  \u003C 1.2.68 → 直接可利用\n  1.2.68-1.2.80 → 检查 classpath 是否有特定依赖（groovy\u002Fjython\u002Faspectj\u002Fcommons-io）\n  ≥ 1.2.83 → 检查 safeMode 配置\n```\n\n### DKTSS 评分体系\n\n**详见 [references\u002Fdktss-scoring.md](references\u002Fdktss-scoring.md)**\n\n核心公式：`Score = Base - Friction + Weapon + Ver`\n\n- **Base**: 按漏洞类型和实际影响评分\n- **Friction**: 实战阻力（访问路径\u002F权限门槛\u002F交互复杂度）\n- **Weapon**: 武器化程度\n- **Ver**: 版本因子\n\n### 状态定义\n\n| 状态 | 定义 | 要求 |\n|------|------|------|\n| **CONFIRMED** | 已验证可利用 | PoC 可执行，调用链完整，影响明确 |\n| **HYPOTHESIS** | 疑似漏洞，需人工验证 | 发现可疑模式但无法完全确认 |\n\n**关键原则**: 宁可标记为 HYPOTHESIS 让人工验证，也不要把不确定的发现标记为 CONFIRMED 污染报告可信度。\n\n---\n\n## Phase 4: Semgrep 规则沉淀\n\n将确认的漏洞模式转换为 Semgrep 静态分析规则（YAML 格式），可集成到 CI\u002FCD 流水线。\n\n示例规则：\n\n```yaml\nrules:\n  - id: velocity-ssti\n    patterns:\n      - pattern: Velocity.evaluate($CONTEXT, $WRITER, $NAME, $USER_INPUT)\n      - pattern-not: Velocity.evaluate($CONTEXT, $WRITER, $NAME, \"...\")\n    message: 检测到用户可控的 Velocity 模板输入，存在 SSTI 风险\n    severity: ERROR\n    languages: [java]\n```\n\n---\n\n## Phase 5: 标准化报告生成\n\n**详见 [references\u002Freport-template.md](references\u002Freport-template.md)**\n\n### 9 个必填字段组\n\n1. **基本信息**: 状态、漏洞类型、CWE-ID、严重程度、DKTSS 评分、受影响组件、文件位置\n2. **触发条件**: 漏洞触发的先决条件\n3. **所需权限**: 利用漏洞需要的权限（无需认证\u002F低权限\u002F高权限）\n4. **漏洞原理**: 详细的技术分析\n5. **代码证据**: 实际代码片段（必须来自 Read 输出）\n6. **调用链**: Source → Sink 的完整路径，每跳标注文件:行号\n7. **PoC**: 可执行的验证代码\n8. **验证结果**: PoC 执行结果\n9. **修复建议**: 立即修复\u002F架构优化\u002F纵深防御\n\n### 报告输出文件\n\n- `findings-raw.md`: Phase 2 发现的候选漏洞\n- `findings-verified.md`: Phase 3 验证后的确认漏洞（最终数据源）\n- `audit-report.md`: Phase 5 格式化的最终报告\n\n---\n\n## AI 代码审计 6 大核心方法\n\n### 1. 语义化规则匹配\n\n传统工具的规则是\"死\"的——只能匹配固定参数名。AI 通过语义识别核心业务含义，适配任意命名规范。\n\n**示例**：越权漏洞检测\n- 传统规则：检查是否存在 `user_id` 参数\n- AI 语义规则：识别接口中所有代表用户身份标识的参数，校验该参数用于定位业务数据归属时，是否与当前登录用户的身份存在强制绑定\n\n**适用场景**：未授权访问、通用越权、验证码绕过、密码重置漏洞\n\n### 2. 基于因果推理的业务流程异常审计\n\nAI 先构建业务的因果关系基准与状态机模型，明确每个业务操作的强制前置条件（因）与合法后置状态（果），再通过反事实推理验证。\n\n**示例**：电商支付场景\n- 强制前置条件：订单已创建且未支付、支付金额一致、回调凭证合法\n- 合法后置状态：订单变为待发货、库存扣减、生成发货单\n- 测试用例：跳过支付直接调用发货确认接口\n\n**适用场景**：流程绕过、步骤颠倒、非法状态跳转\n\n### 3. 权限与访问控制的逻辑一致性审计\n\n构建完整的权限-资源绑定模型，执行三类校验：\n\n| 校验类型 | 方法 | 覆盖漏洞 |\n|----------|------|----------|\n| 水平越权校验 | 用同角色不同用户凭证测试 | 访问他人私有数据 |\n| 垂直越权校验 | 用低权限凭证测试高权限接口 | 权限提升 |\n| 一致性校验 | 对比同类接口权限校验逻辑 | 部分遗漏校验 |\n\n**适用场景**：水平\u002F垂直越权、未授权访问、前后端权限不一致\n\n### 4. 边界条件与异常分支的对抗性生成审计\n\n基于参数的业务语义生成对抗性测试用例，而非随机字符串：\n\n| 参数类型 | 测试值 | 目标漏洞 |\n|----------|--------|----------|\n| 金额 | 负数、0、极大值、超2位小数 | 0元支付、负金额退款 |\n| 数量 | 负数、超库存上限 | 库存为负、超量下单 |\n| 时间 | 超期时间、早于当前时间 | 绕过有效期限制 |\n\n**白盒扫描重点**：异常捕获分支是否存在\"跳过权限校验\"、\"异常时返回成功\"、\"泄露敏感信息\"\n\n### 5. 多维度关联的漏洞链推理\n\n将单个缺陷按业务场景、接口依赖、数据流转关系关联，自动识别可串联的漏洞点。\n\n**示例漏洞链**：\n1. `\u002Fapi\u002Fuser\u002Flist` 未授权访问 → 获取全量用户手机号和 user_id\n2. `\u002Fapi\u002Fuser\u002Fpassword\u002Freset` 仅校验手机号和 user_id，无验证码\n\n→ 串联形成完整攻击链，实现任意用户密码重置\n\n### 6. 白盒场景的代码语义级逻辑缺陷审计\n\n重点扫描高频逻辑缺陷场景：\n\n- 权限校验缺失（仅校验登录，未校验数据归属）\n- 业务逻辑错误（金额计算顺序、库存扣减顺序）\n- 异常处理缺陷（捕获异常后直接返回成功）\n- 接口设计缺陷（无幂等性、敏感操作无二次校验）\n\n---\n\n## 长上下文问题 5 层解决方案\n\n### 层级 1: 源头治理（性价比最高，降低 60%+ 上下文）\n\n**必过滤内容**：\n- 注释、空行、纯日志打印代码\n- 单元测试文件\n- 第三方依赖库\n- 构建配置文件\n- 自动生成代码（protobuf、MyBatis Mapper）\n\n**可过滤低风险内容**：\n- 仅含 get\u002Fset 的纯数据实体类\n- 无安全风险的工具方法\n- 非核心统计报表代码\n\n**注意**：过滤必须基于语义识别，不能误删权限校验、加密解密、输入过滤等核心安全代码。\n\n### 层级 2: 三层递进式审计架构（核心方案）\n\n| 层级 | 内容 | Token 控制 |\n|------|------|------------|\n| 第一层：全局架构层 | 项目架构说明、模块划分、全局权限模型、核心拦截器规则、对外接口清单 | ≤ 8K |\n| 第二层：模块级审计 | 按业务域拆分独立审计单元，输入模块代码+全局安全基线+依赖接口元数据 | 32K-64K |\n| 第三层：跨模块验证 | 仅输入关联模块核心代码片段+调用链路元数据 | ≤ 64K |\n\n### 层级 3: 结构化语义压缩（降低 70%+ Token）\n\n将代码转化为结构化元数据：\n\n```\n函数名：updateOrder\n输入参数：orderId（用户可控字符串）、orderStatus（整型枚举）\n核心业务逻辑：根据 orderId 修改订单状态\n安全特征：无订单归属用户校验，无操作权限校验\n下游依赖：orderDao.update\n风险标签：越权风险高\n```\n\n### 层级 4: RAG + 多轮对话（突破窗口物理限制）\n\n1. **构建代码知识库**：按函数\u002F类拆分，生成向量嵌入存入向量库\n2. **精准检索相关上下文**：通过自然语言或风险特征检索相关代码片段\n3. **多轮对话增量审计**：每轮处理一个细分目标，上一轮输出作为下一轮轻量上下文\n\n### 层级 5: 增量审计机制（工程化落地）\n\n与 Git\u002FCI\u002FCD 集成，仅审计本次提交变更的代码及相关调用链路，减少 90%+ 上下文量。\n\n---\n\n## 5 大落地误区\n\n### ❌ 误区 1：简单按行数拆分代码\n\n**问题**：破坏代码语义关联，导致跨文件调用链路无法理解，严重漏报\n\n**正确做法**：按业务边界、依赖关系拆分，采用三层递进式架构\n\n### ❌ 误区 2：过度依赖长窗口模型\n\n**问题**：超过 128K token 后注意力严重衰减，且成本极高\n\n**正确做法**：中等窗口 + 裁剪分块 + RAG，长窗口仅作跨模块验证辅助\n\n### ❌ 误区 3：全量代码丢给 AI\n\n**问题**：上下文溢出、无关信息干扰、误报率飙升、速度极慢\n\n**正确做法**：完成无效信息过滤与风险分级，遵循\"非必要不输入\"\n\n### ❌ 误区 4：完全抛弃传统工具\n\n**问题**：大模型存在幻觉问题，无法被规则匹配弥补\n\n**正确做法**：传统工具前置过滤 + AI 深度推理 + 传统工具后置验证\n\n### ❌ 误区 5：只关注已知漏洞\n\n**问题**：浪费 AI 核心能力——检测业务逻辑漏洞\n\n**正确做法**：聚焦传统工具无法覆盖的逻辑缺陷、越权漏洞、流程绕过\n\n---\n\n## 参考文档\n\n| 文档 | 内容 |\n|------|------|\n| [vulnerability-conditions.md](references\u002Fvulnerability-conditions.md) | 漏洞成立条件判断表（Fastjson、JNDI、SSTI 等） |\n| [dktss-scoring.md](references\u002Fdktss-scoring.md) | DKTSS 评分体系详细说明 |\n| [report-template.md](references\u002Freport-template.md) | 标准化漏洞报告模板 |\n\n---\n\n## 执行检查清单\n\n### 审计开始前\n\n- [ ] 确认项目路径和技术栈（Java\u002FKotlin 版本、框架）\n- [ ] 运行 Phase 0 度量脚本\n- [ ] 完成项目侦察，生成 Tier 分类和 EALOC 计算\n\n### 审计过程中\n\n- [ ] Layer 1 预扫描完成，P0-P3 标记到位\n- [ ] 每个 Agent 双轨审计（Sink-driven + Control-driven）\n- [ ] 实时更新覆盖矩阵\n- [ ] 文件级覆盖率验证（清单 vs 实际文件 diff）\n\n### 审计完成后\n\n- [ ] 覆盖率门禁 100% 通过\n- [ ] 每个漏洞遵循反幻觉 5 条铁律\n- [ ] DKTSS 评分完整\n- [ ] 报告 9 个必填字段齐全\n- [ ] CONFIRMED vs HYPOTHESIS 状态正确\n\n---\n\n## 注意事项\n\n1. **不要信任 LLM 的\"记忆\"**：所有中间结果都持久化到文件\n2. **\"没有发现也是有效结果\"**：每个文件必须有\"已审阅，无发现\"或发现记录\n3. **javax.* 和 jakarta.* 双命名空间**：Java EE → Jakarta EE 迁移历史，扫描规则必须同时匹配两个命名空间\n4. **大模块拆分追踪**：EALOC > 15000 的模块必须拆分成多个子任务","# AI+Java 代码审计 Skill\n\n本 Skill 将资深审计员的工作方法和质量标准编码成 LLM 可执行的协议，解决裸跑 LLM 覆盖率低、幻觉高、优先级混乱等核心痛点。\nemail : aurora1219@139.com\n\n## 核心理念\n\n**LLM 有能力，缺纪律。** Skill 不教 LLM \"什么是 SQL 注入\"，而是给它装上资深审计员的工作骨架——定义工作流、分配资源、设置护栏、标准化输出。\n\n## 6 阶段审计流水线\n\n```\nPhase 0 → Phase 1 → Phase 2 → Phase 2.5 → Phase 3 → Phase 4 → Phase 5\n 代码度量   项目侦察   全量审计   覆盖率门禁  漏洞验证  规则沉淀  标准化报告\n```\n\n每个 Phase 有明确的输入、输出和质量标准，中间结果全量持久化到文件。\n\n---\n\n## Phase 0: 代码库度量\n\n**目标**: 统计项目规模，计算审计工作量，为 Agent 分配提供依据。\n\n### 执行脚本\n\n```bash\n# 统计代码行数和文件数（注意括号）\nfind . \\( -name \"*.java\" -o -name \"*.kt\" -o -name \"*.xml\" \\) | xargs wc -l | tail -1\n\n# 统计各类型文件\nfind . -name \"*.java\" | wc -l\nfind . -name \"*.kt\" | wc -l\nfind . -name \"*.xml\" | wc -l\n\n# 统计 Controller 数量\ngrep -r \"@Controller\\|@RestController\\|@WebServlet\" --include=\"*.java\" | wc -l\n\n# 统计模块数（Maven 多模块项目）\nfind . -name \"pom.xml\" | wc -l\n\n# 统计模块数（Gradle 多模块项目）\nfind . -name \"build.gradle\" -o -name \"build.gradle.kts\" | wc -l\n```\n\n### 输出文件: `metrics.json`\n\n```json\n{\n  \"total_loc\": 131000,\n  \"java_files\": 847,\n  \"kt_files\": 0,\n  \"xml_files\": 156,\n  \"controllers\": 40,\n  \"modules\": 5,\n  \"complexity_score\": \"HIGH\"\n}\n```\n\n---\n\n## Phase 1: 项目侦察 & EALOC 资源分配\n\n### 1.1 Tier 分类规则\n\n| 规则 | 条件 | Tier | 分析深度 |\n|------|------|------|----------|\n| Rule 0 | 第三方库源码 | SKIP | 不审计 |\n| Rule 1 | Layer 1 预扫描有 P0\u002FP1 候选项 | T1 | 动态提升 |\n| Rule 2 | 含 @Controller\u002F@RestController\u002F@WebServlet\u002FFilter | T1 | 完整深度分析 |\n| Rule 3 | 含 @Service\u002F@Repository\u002F@Mapper | T2 | 聚焦关键维度 |\n| Rule 4 | 类名含 Util\u002FHelper\u002FHandler | T2 | 聚焦关键维度 |\n| Rule 5 | .properties\u002F.yml\u002Fsecurity.xml | T2 | 聚焦关键维度 |\n| Rule 6 | 含 @Entity\u002F@Table\u002F@Data | T3 | 快速模式匹配 |\n| Rule 7 | 未匹配任何规则 | T2 | 保守兜底 |\n\n### 1.2 EALOC 公式\n\n```\nEALOC = T1_LOC × 1.0 + T2_LOC × 0.5 + T3_LOC × 0.1\n```\n\n**Agent 分配**: `Agent数量 = ceil(EALOC \u002F 15000)`\n\n### 1.3 输出文件: `tier-classification.md`\n\n```markdown\n# Tier 分类结果\n\n## 模块: module-biz (131,000 LOC)\n\n| 子任务 | Agent | 文件范围 | 文件数 | Tier分布 | EALOC |\n|--------|-------|---------|-------|---------|-------|\n| 1a | Agent 1 | controller\u002F | 147 | T1: 14K | 14,000 |\n| 1b | Agent 2 | service\u002F + dao\u002F | 200 | T2: 30K | 15,000 |\n| 1c | Agent 3 | entity\u002F + vo\u002F | 500 | T3: 87K | 8,700 |\n\n**总 EALOC**: 37,700 → 需要 3 个 Agent\n```\n\n---\n\n## Phase 2: 三层审计架构\n\n### Layer 1: 全量预扫描（不用 LLM）\n\n使用 ripgrep + Semgrep 扫描所有文件，按 P0-P3 标记危险模式。\n\n#### P0 级危险模式（RCE\u002F反序列化）\n\n```bash\n# 反序列化全家族\ngrep -rn \"ObjectInputStream\\|XMLDecoder\\|XStream\" --include=\"*.java\"\ngrep -rn \"JSON\\.parseObject\\|JSON\\.parse\\|@type\" --include=\"*.java\"  # Fastjson\ngrep -rn \"enableDefaultTyping\\|activateDefaultTyping\" --include=\"*.java\"  # Jackson\ngrep -rn \"HessianInput\\|Hessian2Input\" --include=\"*.java\"  # Hessian\n\n# SSTI 全引擎\ngrep -rn \"Velocity\\.evaluate\\|VelocityEngine\\|mergeTemplate\" --include=\"*.java\"\ngrep -rn \"freemarker\\.template\\|Template\\.process\\|FreeMarkerConfigurer\" --include=\"*.java\"\ngrep -rn \"SpringTemplateEngine\\|TemplateEngine\\.process\" --include=\"*.java\"  # Thymeleaf\n\n# 表达式注入\ngrep -rn \"SpelExpressionParser\\|parseExpression\\|evaluateExpression\" --include=\"*.java\"\ngrep -rn \"OgnlUtil\\|Ognl\\.getValue\\|ActionContext\" --include=\"*.java\"\n\n# JNDI 注入\ngrep -rn \"InitialContext\\.lookup\\|JdbcRowSetImpl\\|setDataSourceName\" --include=\"*.java\"\n\n# 命令执行\ngrep -rn \"Runtime\\.getRuntime\\|ProcessBuilder\\|exec(\" --include=\"*.java\"\n```\n\n#### P1 级危险模式（SQL 注入\u002FSSRF\u002F文件操作）\n\n```bash\n# SQL 注入风险\ngrep -rn \"Statement\\|createStatement\\|executeQuery\\|executeUpdate\" --include=\"*.java\"\ngrep -rn '\\$\\{' --include=\"*.xml\"  # MyBatis ${} 注入\n\n# SSRF\ngrep -rn \"URL\\(|HttpURLConnection\\|HttpClient\\|RestTemplate\\|WebClient\" --include=\"*.java\"\n\n# 文件操作\ngrep -rn \"FileInputStream\\|FileOutputStream\\|FileWriter\\|Files\\.read\\|Files\\.write\" --include=\"*.java\"\ngrep -rn \"getOriginalFilename\\|transferTo\\|MultipartFile\" --include=\"*.java\"  # 文件上传\n```\n\n#### P2 级危险模式（认证\u002F授权\u002F加密）\n\n```bash\n# 认证相关\ngrep -rn \"@PreAuthorize\\|@Secured\\|@RolesAllowed\\|hasRole\\|hasAuthority\" --include=\"*.java\"\ngrep -rn \"permitAll\\|anonymous\\|authenticated\" --include=\"*.java\"\n\n# 加密相关\ngrep -rn \"MessageDigest\\|Cipher\\|SecretKey\\|PasswordEncoder\" --include=\"*.java\"\n```\n\n### Layer 2: 双轨审计模型\n\n每个 Agent 执行两条并行的审计轨道：\n\n#### 轨道 1: Sink-driven（从危险代码往上追）\n\n发现 `Runtime.exec(cmd)` → 追踪 `cmd` 参数来源 → 检查是否有过滤 → 判断是否来自用户输入\n\n#### 轨道 2: Control-driven（从端点往下查安全控制）\n\n发现 `\u002Fapi\u002Fadmin\u002FdeleteUser` 端点 → 检查是否有认证注解 → 检查是否有权限校验\n\n**为什么需要两条轨道？** 认证绕过这类漏洞，单独用 Sink-driven 找不到——该漏洞不是某行代码有问题，而是某个端点缺少了应有的权限检查。\n\n### Layer 2.5: 代码分析深度检查\n\n对于 Semgrep 规则无法覆盖的漏洞类型，需要通过代码分析进行判断：\n\n#### 业务逻辑漏洞\n\n```\n检查要点：\n1. 支付金额：金额是否来自前端？是否有后端校验？\n2. 库存并发：是否有并发控制？检查和扣减是否原子操作？\n3. 状态机：状态流转是否有前置条件校验？\n```\n\n#### 越权漏洞\n\n```\n检查要点：\n1. 水平越权：数据查询是否校验归属？userId 是否从 Session 获取？\n2. 垂直越权：管理接口是否有权限注解？前后端权限是否一致？\n```\n\n#### 依赖安全\n\n```\n检查要点：\n1. 读取 pom.xml\u002Fbuild.gradle\n2. 提取 Log4j、Fastjson、Shiro、Spring 等关键依赖版本\n3. 使用 web_search 搜索漏洞信息\n   - 搜索格式: \"\u003C组件名> \u003C版本号> CVE vulnerability\"\n   - 示例: \"log4j 2.14.1 CVE\", \"fastjson 1.2.79 vulnerability\"\n4. 分析搜索结果中的 NVD、官方公告\n5. 标记需要升级的依赖\n```\n\n**联网搜索示例**：\n\n```\n发现依赖:\n  \u003Cdependency>\n    \u003CgroupId>org.apache.logging.log4j\u003C\u002FgroupId>\n    \u003CartifactId>log4j-core\u003C\u002FartifactId>\n    \u003Cversion>2.14.1\u003C\u002Fversion>\n  \u003C\u002Fdependency>\n\n使用 web_search:\n  query: \"log4j-core 2.14.1 CVE vulnerability\"\n\n分析结果:\n  - CVE-2021-44228 (Log4Shell)\n  - CVSS: 10.0 Critical\n  - 影响版本: 2.0-beta9 to 2.15.0\n  - 修复版本: 2.17.1+\n\n结论: 需要升级到 2.17.1+\n```\n\n#### 运行时配置\n\n```\n检查要点：\n1. Session 超时、Cookie Secure\u002FHttpOnly\n2. Actuator 端点暴露\n3. 数据库密码明文存储\n4. 调试模式开启\n```\n\n**详细判断方法见**: [references\u002Fvulnerability-conditions.md](references\u002Fvulnerability-conditions.md) 第 16-20 节\n\n### Layer 3: 调用链语义级验证\n\n优先使用 LSP 做语义级追踪：\n\n```\n候选 Sink (Statement.executeUpdate(sql))\n↓ goToDefinition → 确认实际实现\n↓ findReferences → 向上追踪所有调用者\n↓ hover → 获取中间变量类型\n↓ 重复 findReferences → 直到到达 Controller 入口或确认不可达\n↓ 记录完整调用链，每一跳标注 文件:行号\n```\n\nLSP 不可用时退化到 Grep + Read 手动追踪。\n\n---\n\n## Phase 2.5: 覆盖率门禁\n\n**这是反 LLM 天性的核心设计**——LLM 倾向于跳过\"看起来不重要\"的代码，而漏洞恰恰喜欢藏在那些地方。\n\n### 模块覆盖矩阵\n\n```markdown\n| # | 模块路径 | LOC | EALOC | Controller数 | 风险评估 | 分配 Agent | Phase2 状态 | Phase3 状态 |\n|---|---------|-----|-------|-------------|---------|-----------|------------|------------|\n| 1 | module-auth | 8,000 | 5,200 | 6 | HIGH | Agent 1 | 完成 | 完成 |\n| 2 | module-gateway | 12,000 | 7,800 | 8 | HIGH | Agent 2 | 完成 | 进行中 |\n| 3 | module-biz | 131,000 | 37,700 | 40 | HIGH | Agent 3a~3c | 部分完成 | 未开始 |\n```\n\n### 文件级覆盖率验证\n\n每个 Agent 输出必须包含审阅文件清单：\n\n```markdown\n| # | 文件路径 | Tier | 状态 | 发现数 |\n|---|---------|------|------|-------|\n| 1 | AuthController.java | T1 | 完成 已审阅 | 2 |\n| 2 | ShiroConfig.java | T1 | 完成 已审阅 | 1 |\n| 3 | UserServiceImpl.java | T2 | 完成 已审阅 | 0 |\n| 4 | User.java | T3 | 完成 已审阅 | 0 |\n| 5 | com\u002Falibaba\u002Ffastjson\u002FJSON.java | SKIP | 跳过 第三方库 | - |\n```\n\n**门禁检查**: 拿这份清单和 `find` 命令的实际文件列表做 diff。清单里没出现的文件 = 漏审。\n\n### 门禁判断逻辑\n\n```\n收到每个 Agent 结果后立即执行：\n1. 读取 Agent 输出的「审阅文件清单」\n2. 与实际文件列表交叉验证\n3. 覆盖率 = 100% → 该 Agent 通过\n   覆盖率 \u003C 100% → 立即为未覆盖文件启动补扫 Agent\n\n所有 Agent 完成后：\n- 全部模块 Phase2 = 完成 → 进入 Phase 3\n- 存在 未开始 或 部分完成 → 启动补充 Agent → 循环直到 100%\n```\n\n**禁止在覆盖率 \u003C 100% 时进入 Phase 3。没有例外。**\n\n---\n\n## Phase 3: 漏洞验证 & DKTSS 评分\n\n### 反幻觉 5 条铁律\n\n1. **报告漏洞前必须用 Read 验证文件存在**\n2. **代码片段必须来自实际 Read 输出，不得编造**\n3. **调用链每一跳必须标注 文件:行号**\n4. **不确定的发现标记为 HYPOTHESIS，不得标记为 CONFIRMED**\n5. **宁可漏报，不可误报**\n\n### 漏洞成立条件判断\n\n**详见 [references\u002Fvulnerability-conditions.md](references\u002Fvulnerability-conditions.md)**\n\n示例 - Fastjson 反序列化判断流程：\n```\n发现 JSON.parseObject() \u002F JSON.parse() 调用\n↓\n检查版本：\n  \u003C 1.2.68 → 直接可利用\n  1.2.68-1.2.80 → 检查 classpath 是否有特定依赖（groovy\u002Fjython\u002Faspectj\u002Fcommons-io）\n  ≥ 1.2.83 → 检查 safeMode 配置\n```\n\n### DKTSS 评分体系\n\n**详见 [references\u002Fdktss-scoring.md](references\u002Fdktss-scoring.md)**\n\n核心公式：`Score = Base - Friction + Weapon + Ver`\n\n- **Base**: 按漏洞类型和实际影响评分\n- **Friction**: 实战阻力（访问路径\u002F权限门槛\u002F交互复杂度）\n- **Weapon**: 武器化程度\n- **Ver**: 版本因子\n\n### 状态定义\n\n| 状态 | 定义 | 要求 |\n|------|------|------|\n| **CONFIRMED** | 已验证可利用 | PoC 可执行，调用链完整，影响明确 |\n| **HYPOTHESIS** | 疑似漏洞，需人工验证 | 发现可疑模式但无法完全确认 |\n\n**关键原则**: 宁可标记为 HYPOTHESIS 让人工验证，也不要把不确定的发现标记为 CONFIRMED 污染报告可信度。\n\n---\n\n## Phase 4: Semgrep 规则沉淀\n\n将确认的漏洞模式转换为 Semgrep 静态分析规则（YAML 格式），可集成到 CI\u002FCD 流水线。\n\n示例规则：\n\n```yaml\nrules:\n  - id: velocity-ssti\n    patterns:\n      - pattern: Velocity.evaluate($CONTEXT, $WRITER, $NAME, $USER_INPUT)\n      - pattern-not: Velocity.evaluate($CONTEXT, $WRITER, $NAME, \"...\")\n    message: 检测到用户可控的 Velocity 模板输入，存在 SSTI 风险\n    severity: ERROR\n    languages: [java]\n```\n\n---\n\n## Phase 5: 标准化报告生成\n\n**详见 [references\u002Freport-template.md](references\u002Freport-template.md)**\n\n### 9 个必填字段组\n\n1. **基本信息**: 状态、漏洞类型、CWE-ID、严重程度、DKTSS 评分、受影响组件、文件位置\n2. **触发条件**: 漏洞触发的先决条件\n3. **所需权限**: 利用漏洞需要的权限（无需认证\u002F低权限\u002F高权限）\n4. **漏洞原理**: 详细的技术分析\n5. **代码证据**: 实际代码片段（必须来自 Read 输出）\n6. **调用链**: Source → Sink 的完整路径，每跳标注文件:行号\n7. **PoC**: 可执行的验证代码\n8. **验证结果**: PoC 执行结果\n9. **修复建议**: 立即修复\u002F架构优化\u002F纵深防御\n\n### 报告输出文件\n\n- `findings-raw.md`: Phase 2 发现的候选漏洞\n- `findings-verified.md`: Phase 3 验证后的确认漏洞（最终数据源）\n- `audit-report.md`: Phase 5 格式化的最终报告\n\n---\n\n## AI 代码审计 6 大核心方法\n\n### 1. 语义化规则匹配\n\n传统工具的规则是\"死\"的——只能匹配固定参数名。AI 通过语义识别核心业务含义，适配任意命名规范。\n\n**示例**：越权漏洞检测\n- 传统规则：检查是否存在 `user_id` 参数\n- AI 语义规则：识别接口中所有代表用户身份标识的参数，校验该参数用于定位业务数据归属时，是否与当前登录用户的身份存在强制绑定\n\n**适用场景**：未授权访问、通用越权、验证码绕过、密码重置漏洞\n\n### 2. 基于因果推理的业务流程异常审计\n\nAI 先构建业务的因果关系基准与状态机模型，明确每个业务操作的强制前置条件（因）与合法后置状态（果），再通过反事实推理验证。\n\n**示例**：电商支付场景\n- 强制前置条件：订单已创建且未支付、支付金额一致、回调凭证合法\n- 合法后置状态：订单变为待发货、库存扣减、生成发货单\n- 测试用例：跳过支付直接调用发货确认接口\n\n**适用场景**：流程绕过、步骤颠倒、非法状态跳转\n\n### 3. 权限与访问控制的逻辑一致性审计\n\n构建完整的权限-资源绑定模型，执行三类校验：\n\n| 校验类型 | 方法 | 覆盖漏洞 |\n|----------|------|----------|\n| 水平越权校验 | 用同角色不同用户凭证测试 | 访问他人私有数据 |\n| 垂直越权校验 | 用低权限凭证测试高权限接口 | 权限提升 |\n| 一致性校验 | 对比同类接口权限校验逻辑 | 部分遗漏校验 |\n\n**适用场景**：水平\u002F垂直越权、未授权访问、前后端权限不一致\n\n### 4. 边界条件与异常分支的对抗性生成审计\n\n基于参数的业务语义生成对抗性测试用例，而非随机字符串：\n\n| 参数类型 | 测试值 | 目标漏洞 |\n|----------|--------|----------|\n| 金额 | 负数、0、极大值、超2位小数 | 0元支付、负金额退款 |\n| 数量 | 负数、超库存上限 | 库存为负、超量下单 |\n| 时间 | 超期时间、早于当前时间 | 绕过有效期限制 |\n\n**白盒扫描重点**：异常捕获分支是否存在\"跳过权限校验\"、\"异常时返回成功\"、\"泄露敏感信息\"\n\n### 5. 多维度关联的漏洞链推理\n\n将单个缺陷按业务场景、接口依赖、数据流转关系关联，自动识别可串联的漏洞点。\n\n**示例漏洞链**：\n1. `\u002Fapi\u002Fuser\u002Flist` 未授权访问 → 获取全量用户手机号和 user_id\n2. `\u002Fapi\u002Fuser\u002Fpassword\u002Freset` 仅校验手机号和 user_id，无验证码\n\n→ 串联形成完整攻击链，实现任意用户密码重置\n\n### 6. 白盒场景的代码语义级逻辑缺陷审计\n\n重点扫描高频逻辑缺陷场景：\n\n- 权限校验缺失（仅校验登录，未校验数据归属）\n- 业务逻辑错误（金额计算顺序、库存扣减顺序）\n- 异常处理缺陷（捕获异常后直接返回成功）\n- 接口设计缺陷（无幂等性、敏感操作无二次校验）\n\n---\n\n## 长上下文问题 5 层解决方案\n\n### 层级 1: 源头治理（性价比最高，降低 60%+ 上下文）\n\n**必过滤内容**：\n- 注释、空行、纯日志打印代码\n- 单元测试文件\n- 第三方依赖库\n- 构建配置文件\n- 自动生成代码（protobuf、MyBatis Mapper）\n\n**可过滤低风险内容**：\n- 仅含 get\u002Fset 的纯数据实体类\n- 无安全风险的工具方法\n- 非核心统计报表代码\n\n**注意**：过滤必须基于语义识别，不能误删权限校验、加密解密、输入过滤等核心安全代码。\n\n### 层级 2: 三层递进式审计架构（核心方案）\n\n| 层级 | 内容 | Token 控制 |\n|------|------|------------|\n| 第一层：全局架构层 | 项目架构说明、模块划分、全局权限模型、核心拦截器规则、对外接口清单 | ≤ 8K |\n| 第二层：模块级审计 | 按业务域拆分独立审计单元，输入模块代码+全局安全基线+依赖接口元数据 | 32K-64K |\n| 第三层：跨模块验证 | 仅输入关联模块核心代码片段+调用链路元数据 | ≤ 64K |\n\n### 层级 3: 结构化语义压缩（降低 70%+ Token）\n\n将代码转化为结构化元数据：\n\n```\n函数名：updateOrder\n输入参数：orderId（用户可控字符串）、orderStatus（整型枚举）\n核心业务逻辑：根据 orderId 修改订单状态\n安全特征：无订单归属用户校验，无操作权限校验\n下游依赖：orderDao.update\n风险标签：越权风险高\n```\n\n### 层级 4: RAG + 多轮对话（突破窗口物理限制）\n\n1. **构建代码知识库**：按函数\u002F类拆分，生成向量嵌入存入向量库\n2. **精准检索相关上下文**：通过自然语言或风险特征检索相关代码片段\n3. **多轮对话增量审计**：每轮处理一个细分目标，上一轮输出作为下一轮轻量上下文\n\n### 层级 5: 增量审计机制（工程化落地）\n\n与 Git\u002FCI\u002FCD 集成，仅审计本次提交变更的代码及相关调用链路，减少 90%+ 上下文量。\n\n---\n\n## 5 大落地误区\n\n### ❌ 误区 1：简单按行数拆分代码\n\n**问题**：破坏代码语义关联，导致跨文件调用链路无法理解，严重漏报\n\n**正确做法**：按业务边界、依赖关系拆分，采用三层递进式架构\n\n### ❌ 误区 2：过度依赖长窗口模型\n\n**问题**：超过 128K token 后注意力严重衰减，且成本极高\n\n**正确做法**：中等窗口 + 裁剪分块 + RAG，长窗口仅作跨模块验证辅助\n\n### ❌ 误区 3：全量代码丢给 AI\n\n**问题**：上下文溢出、无关信息干扰、误报率飙升、速度极慢\n\n**正确做法**：完成无效信息过滤与风险分级，遵循\"非必要不输入\"\n\n### ❌ 误区 4：完全抛弃传统工具\n\n**问题**：大模型存在幻觉问题，无法被规则匹配弥补\n\n**正确做法**：传统工具前置过滤 + AI 深度推理 + 传统工具后置验证\n\n### ❌ 误区 5：只关注已知漏洞\n\n**问题**：浪费 AI 核心能力——检测业务逻辑漏洞\n\n**正确做法**：聚焦传统工具无法覆盖的逻辑缺陷、越权漏洞、流程绕过\n\n---\n\n## 参考文档\n\n| 文档 | 内容 |\n|------|------|\n| [vulnerability-conditions.md](references\u002Fvulnerability-conditions.md) | 漏洞成立条件判断表（Fastjson、JNDI、SSTI 等） |\n| [dktss-scoring.md](references\u002Fdktss-scoring.md) | DKTSS 评分体系详细说明 |\n| [report-template.md](references\u002Freport-template.md) | 标准化漏洞报告模板 |\n\n---\n\n## 执行检查清单\n\n### 审计开始前\n\n- [ ] 确认项目路径和技术栈（Java\u002FKotlin 版本、框架）\n- [ ] 运行 Phase 0 度量脚本\n- [ ] 完成项目侦察，生成 Tier 分类和 EALOC 计算\n\n### 审计过程中\n\n- [ ] Layer 1 预扫描完成，P0-P3 标记到位\n- [ ] 每个 Agent 双轨审计（Sink-driven + Control-driven）\n- [ ] 实时更新覆盖矩阵\n- [ ] 文件级覆盖率验证（清单 vs 实际文件 diff）\n\n### 审计完成后\n\n- [ ] 覆盖率门禁 100% 通过\n- [ ] 每个漏洞遵循反幻觉 5 条铁律\n- [ ] DKTSS 评分完整\n- [ ] 报告 9 个必填字段齐全\n- [ ] CONFIRMED vs HYPOTHESIS 状态正确\n\n---\n\n## 注意事项\n\n1. **不要信任 LLM 的\"记忆\"**：所有中间结果都持久化到文件\n2. **\"没有发现也是有效结果\"**：每个文件必须有\"已审阅，无发现\"或发现记录\n3. **javax.* 和 jakarta.* 双命名空间**：Java EE → Jakarta EE 迁移历史，扫描规则必须同时匹配两个命名空间\n4. **大模块拆分追踪**：EALOC > 15000 的模块必须拆分成多个子任务",{"name":5,"description":7},"main","0f794a8bb6c27aa9ee4091b2691fa30e4ed9cc8f","data\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill",24,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench","https:\u002F\u002Fagentscope-ai.github.io\u002FPawBench\u002F","https:\u002F\u002Fgithub.com\u002Fagentscope-ai","2026-08-03 20:09:53",{"source":8,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add agentscope-ai\u002FPawBench --skill java-audit-skill",{"tool":38,"command":39},"bunx","bunx skills add agentscope-ai\u002FPawBench --skill java-audit-skill",{"tool":41,"command":42},"pnpm","pnpm dlx skills add agentscope-ai\u002FPawBench --skill java-audit-skill","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FSKILL.md",true,[46,52,58,62,66,70,74,78,82,86,90,94,98,102,106,110,114,118,122,126,130,136,140,144,148],{"path":47,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":50,"sourceHtmlUrl":51},"_meta.json","REFERENCE","参考文档",135,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002F_meta.json",{"path":53,"resourceType":54,"resourceTypeDesc":55,"sizeBytes":56,"sourceHtmlUrl":57},"assets\u002FREADME.md","ASSET","资产文件",445,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Fassets\u002FREADME.md",{"path":59,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":60,"sourceHtmlUrl":61},"CHANGELOG.md",2065,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FCHANGELOG.md",{"path":63,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":64,"sourceHtmlUrl":65},"CODE_OF_CONDUCT.md",5205,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FCODE_OF_CONDUCT.md",{"path":67,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":68,"sourceHtmlUrl":69},"CONTRIBUTING.md",8150,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FCONTRIBUTING.md",{"path":71,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":72,"sourceHtmlUrl":73},"README.md",22528,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FREADME.md",{"path":75,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":76,"sourceHtmlUrl":77},"references\u002Fdktss-scoring.md",5307,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Freferences\u002Fdktss-scoring.md",{"path":79,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":80,"sourceHtmlUrl":81},"references\u002Freport-template.md",10844,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Freferences\u002Freport-template.md",{"path":83,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":84,"sourceHtmlUrl":85},"references\u002Fsecurity-checklist.md",26456,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Freferences\u002Fsecurity-checklist.md",{"path":87,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":88,"sourceHtmlUrl":89},"references\u002Fvulnerability-conditions.md",30141,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Freferences\u002Fvulnerability-conditions.md",{"path":91,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":92,"sourceHtmlUrl":93},"requirements-dev.txt",615,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frequirements-dev.txt",{"path":95,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":96,"sourceHtmlUrl":97},"requirements.txt",1034,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frequirements.txt",{"path":99,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":100,"sourceHtmlUrl":101},"rules\u002Fsemgrep\u002Fjava-config.yaml",47565,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-config.yaml",{"path":103,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":104,"sourceHtmlUrl":105},"rules\u002Fsemgrep\u002Fjava-crypto.yaml",3181,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-crypto.yaml",{"path":107,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":108,"sourceHtmlUrl":109},"rules\u002Fsemgrep\u002Fjava-file.yaml",5197,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-file.yaml",{"path":111,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":112,"sourceHtmlUrl":113},"rules\u002Fsemgrep\u002Fjava-misc.yaml",19499,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-misc.yaml",{"path":115,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":116,"sourceHtmlUrl":117},"rules\u002Fsemgrep\u002Fjava-rce.yaml",9856,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-rce.yaml",{"path":119,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":120,"sourceHtmlUrl":121},"rules\u002Fsemgrep\u002Fjava-sqli.yaml",4311,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-sqli.yaml",{"path":123,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":124,"sourceHtmlUrl":125},"rules\u002Fsemgrep\u002Fjava-ssrf.yaml",2948,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002Fjava-ssrf.yaml",{"path":127,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":128,"sourceHtmlUrl":129},"rules\u002Fsemgrep\u002FREADME.md",11645,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Frules\u002Fsemgrep\u002FREADME.md",{"path":131,"resourceType":132,"resourceTypeDesc":133,"sizeBytes":134,"sourceHtmlUrl":135},"scripts\u002Fcoverage-check.sh","SCRIPT","脚本",4779,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Fscripts\u002Fcoverage-check.sh",{"path":137,"resourceType":132,"resourceTypeDesc":133,"sizeBytes":138,"sourceHtmlUrl":139},"scripts\u002Fjava_audit.py",23971,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Fscripts\u002Fjava_audit.py",{"path":141,"resourceType":132,"resourceTypeDesc":133,"sizeBytes":142,"sourceHtmlUrl":143},"scripts\u002Flayer1-scan.sh",8158,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Fscripts\u002Flayer1-scan.sh",{"path":145,"resourceType":132,"resourceTypeDesc":133,"sizeBytes":146,"sourceHtmlUrl":147},"scripts\u002Ftier-classify.sh",4964,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002Fscripts\u002Ftier-classify.sh",{"path":149,"resourceType":48,"resourceTypeDesc":49,"sizeBytes":150,"sourceHtmlUrl":151},"SECURITY.md",2178,"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT124_qwenpawbench_skillhub_0055\u002Fskills\u002Fjava-audit-skill\u002FSECURITY.md",[153,159,166,173,180,187],{"skillNo":154,"name":155,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":156,"categories":157,"keywords":158,"publishedAt":19},"01M72WQCJKBJZB6SC8MMYK3C8R","data-reconciliation","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT140_skillsbench_xlsx-recover-data\u002Fskills\u002Fdata-reconciliation\u002FSKILL.md",[],[],{"skillNo":160,"name":161,"nameZh":6,"description":162,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":163,"categories":164,"keywords":165,"publishedAt":19},"01M72WQ8R4DZKK1CT397C0ARQD","hierarchical-taxonomy-clustering","Build unified multi-level category taxonomy from hierarchical product category paths from any e-commerce companies using embedding-based recursive clustering with intelligent category naming via weighted word frequency analysis.","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT139_skillsbench_taxonomy-tree-merge\u002Fskills\u002Fhierarchical-taxonomy-clustering\u002FSKILL.md",[],[],{"skillNo":167,"name":168,"nameZh":6,"description":169,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":170,"categories":171,"keywords":172,"publishedAt":19},"01M72WQ1989ZX613G3PY8Z492J","nlp-research-repo-package-installment","Align Python version and repo-declared dependencies (requirements.txt \u002F environment.yml) before installing packages for NLP research code reproduction.","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT138_skillsbench_simpo-code-reproduction\u002Fskills\u002Fnlp-research-repo-package-installment\u002FSKILL.md",[],[],{"skillNo":174,"name":175,"nameZh":6,"description":176,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":177,"categories":178,"keywords":179,"publishedAt":19},"01M72WPZ828E746PAB3WCCQARW","state-space-linearization","Linearizing nonlinear dynamics around operating points for control design.","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT137_skillsbench_r2r-mpc-control\u002Fskills\u002Fstate-space-linearization\u002FSKILL.md",[],[],{"skillNo":181,"name":182,"nameZh":6,"description":183,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":184,"categories":185,"keywords":186,"publishedAt":19},"01M72WPXFXKWDFVTGAYX0B1TSA","mpc-horizon-tuning","Selecting MPC prediction horizon and cost matrices for web handling.","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT137_skillsbench_r2r-mpc-control\u002Fskills\u002Fmpc-horizon-tuning\u002FSKILL.md",[],[],{"skillNo":188,"name":189,"nameZh":6,"description":190,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":191,"categories":192,"keywords":193,"publishedAt":19},"01M72WPW3863555HM0CACRCCFK","integral-action-design","Adding integral action to MPC for offset-free tension tracking.","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002FPawBench\u002Fblob\u002Fmain\u002Fdata\u002Fpawbench-v1.0\u002Fassets\u002FT137_skillsbench_r2r-mpc-control\u002Fskills\u002Fintegral-action-design\u002FSKILL.md",[],[]]