基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-21 22:45

Jira 安全 Agent 用代码给漏洞打分

dev.to · AI#Jira#漏洞分诊#Agent
Editor brief · 编辑速览

开源项目 Bastion 在 Jira 的 Rovo Agent 中接入漏洞数据,用固定规则计算风险分。作者记录了 NVD 接口限流和固定包名列表漏检的问题,并建议从依赖清单识别软件包。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

把安全扫描 Agent 放进 Jira,最重要的决定可能是限制模型的权限。作者做的 Bastion 能识别工单里的 CVE、查询 NVD、生成风险评分和修复建议,还能直接创建修复工单。但风险分数由代码计算,LLM 只负责解释。

这套设计值得看,不在于 Agent 有多聪明,而在于它划清了模型、规则和平台各自的职责。同时,作者也交代了几个容易被演示掩盖的问题:API 限流、依赖识别漏报,以及评分权重缺少实际结果校准。

风险分数为什么不交给模型判断

Bastion 是运行在 Jira 内的 Rovo agent。它用正则提取 CVE ID,从 NVD API 获取 CVSS 数据,再通过固定规则算出 0–100 分。模型读取工单并撰写解释,但不能修改分数。

下面这段代码决定风险分数,避免同一批漏洞因为模型措辞不同而得到不同结果:

score += cveData.filter(c => c.severity === 'CRITICAL').length * 40;
score += cveData.filter(c => c.severity === 'HIGH').length * 20;
score += Math.min(cves.length * 5, 20);
return Math.min(score, 100);

要看清第三行:CVE 数量带来的加分最多是 20 分,并非每个漏洞都能无限叠加。

具体规则是:每个 CRITICAL 加 40 分,每个 HIGH 加 20 分,每个唯一 CVE 再加 5 分,这部分封顶 20 分,最终总分不超过 100。分档阈值为 70 分及以上 CRITICAL、40 分及以上 HIGH、15 分及以上 MEDIUM;低于 15 分如何标记,原文没交代。

分数由可复算的规则产生,解释由模型生成。

作者把它类比为提示注入防御中的确定性边界。这个思路成立,但边界只覆盖评分:固定算式不能自动保证模型写出的修复建议正确。

真正决定能否落地的是限流、漏报和平台约束

NVD 查询看起来只是一次 API 调用,实际需要处理负载下的 429/403。作者采用了三项措施:失败后等待 6 秒重试一次,每个 CVE 缓存 6 小时,查询之间间隔 1.2 秒。

这里有个取舍:所谓「实时查询」并不代表每次都拿最新数据,缓存期内会复用结果。作者说,没有这些措施,演示到第三个问题就可能失败;这是项目经验,没有提供并发压测或成功率数据。

提取也没有全部交给模型。CVE ID 使用 CVE-\d{4}-\d{4,7} 匹配,包名则来自固定列表,例如 log4j、openssl、struts。规则简单、容易核查,但列表外的依赖会被漏掉。作者把这个限制写进 README,没有把有限覆盖包装成完整扫描。

平台约束进一步决定了架构。在作者描述的 Forge 环境中,没有直接数据库,也不能运行长进程,因此状态放在 Jira 的 labels 和 issue fields 中,每日扫描通过 scheduled trigger 执行,不使用常驻进程。

这些做法共同服务于一个目标:让扫描和修复工单留在已有工作流里。

我的判断

我认同把评分与自然语言解释分开。比起单靠提示词要求模型「严格按标准打分」,固定函数更容易测试、复查,也更容易追溯规则变化。

但确定性只保证结果可重复,不保证风险排序合理。作者也承认,40/20/5 这组权重虽能解释,仍带有任意性,需要根据真实分诊结果调整。原文没有给出与人工分诊、其他评分方案的对照数据,所以它目前是一套工程经验,不能直接当成验证过的风险模型。

依赖识别的局限更实际。工单没有提到某个包,或者包名不在列表里,后面的 NVD 查询和评分再准确也无济于事。作者提出,工单关联代码仓库时,应读取 package.json、requirements.txt、pom.xml。这个方向比只扫自然语言更可靠,但原文没有展示它已经实现。

此外,原文提到的 KEV/EPSS 检查属于配套手工清单,不能据此认定 Bastion 已经把它们纳入评分。

能拿来做什么

  • 给日常 AI 编程助手设计权限时,可以把「生成解释」和「计算评分」拆开,让模型调用确定性函数,并在输出中保留规则依据。
  • 在 Node 项目里做漏洞辅助分诊时,可以先用正则识别工单中的 CVE,但要明确覆盖范围;工单关联仓库后,再考虑读取 package.json 获取依赖信息。
  • 接入外部漏洞 API 时,可以参考作者的退避、缓存和查询间隔设计,再根据自己的调用量验证参数,不能直接把演示配置当成生产容量。
  • 试用 40/20/5 评分规则时,应保留人工分诊结果,检查高分是否对应真正优先修复的问题,再决定是否调整权重。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
Gemini 4 Neon 与 Carbon 将在 12 月价格反转
下一篇
让 AI 在改代码前梳理回归范围

资讯速览

dev.to · AI · 2026-11-21 22:45

AI 评分 8.0 / 10

相关标签

#Jira#漏洞分诊#Agent

继续阅读

  • 安装 Agent 技能前,先核对扫描版本
  • Gemini 4 Neon 与 Carbon 将在 12 月价格反转
  • 让 AI 在改代码前梳理回归范围
  • 让退款 Agent 从业务数据绑定订单号
  • 八卡 H100 的云租赁与自建成本账