agent-bom runtime 是一款专为 AI 运行时环境设计的安全监控工具，聚焦于上下文图谱分析、运行时审计日志与已知漏洞（CVE）的关联匹配。它通过深度解析系统行为数据，帮助开发者和安全团队识别潜在风险点，提升 AI 应用在生产环境中的安全性。该工具不依赖网络遥测或自动文件扫描，所有操作均基于本地内存中的扫描结果和用户提供的审计日志文件，确保隐私与可控性。其核心理念是在不引入额外追踪的前提下，提供精准的安全态势洞察。 作为开源项目（Apache-2.0 许可证），agent-bom runtime 强调透明性与可验证性，拥有超过 6,040 项自动化测试，并通过 CodeQL 静态分析与 OpenSSF Scorecard 安全审计，保障代码质量与合规性。项目托管于 GitHub，社区驱动且持续维护，适合对安全有高标准要求的技术团队采用。 工具支持三种主要模式：构建 agent 上下文关系图以分析横向移动路径；查询漏洞趋势与历史安全 posture；以及将实时运行时的审计日志与公开的 CVE 数据库进行交叉比对。这些功能共同构成一个轻量级但高效的运行时安全分析平台，适用于从开发测试到生产部署的全生命周期防护。
核心功能特点
- 基于上下文的图谱分析，可视化 agent 间通信与权限扩散路径
- 运行时审计日志与 CVE 数据库智能关联，快速定位已知漏洞影响
- 支持自定义查询接口，可检索漏洞趋势、安全状态历史及事件统计
- 零网络遥测设计，仅处理本地内存数据和用户指定日志文件，保障隐私
- 内置严格测试套件与第三方安全评分认证，确保高可靠性与合规性
适用场景
在 AI 系统开发中，多个 agent 或微服务之间频繁交互，容易形成复杂的信任链和权限边界模糊问题。agent-bom runtime 的 context_graph 功能能够从扫描结果中提取 agent 间的调用关系与数据流，生成可视化的上下文图谱，辅助识别潜在的横向移动攻击面。例如，在一个多模块 LLM 推理管道中，若某个低权限组件被注入恶意代码，该工具可迅速展示其可能影响的其他组件，为应急响应提供关键线索。 当生产环境中出现异常行为时，传统日志往往分散且缺乏语义理解。通过 runtime_correlate 工具，用户可将代理生成的 audit.jsonl 日志与权威 CVE 数据库进行比对，自动标记出存在已知漏洞的服务实例。这不仅加速了补丁优先级判断，还能在零日漏洞爆发前发现配置不当带来的暴露风险。结合 analytics_query 的聚合查询能力，运维人员还可定期评估过去 30 天内的高危漏洞分布趋势，制定长期加固策略。 对于注重合规与内部安全审计的企业而言，agent-bom runtime 提供了无需外部依赖的本地化解决方案。无论是 Kubernetes 集群中的 AI 工作负载，还是边缘设备上的自主代理系统，均可通过导入现有扫描报告和安全日志，实现无缝集成。由于其无网络调用特性，特别适合对数据出境敏感或受限内网环境，在不牺牲安全性的前提下满足监管要求。