cloudflare/security-audit-skill

Cloudflare 的 security-audit-skill 是一个把通用编程 Agent 变成专职安全审计员的插件。它不依赖单一模型，而是编排多个 Agent 跑完一个六阶段的流水线，从侦察、狩猎到验证和独立复核，最终输出机器可读的漏洞报告。对于需要深度代码审查的开发者来说，这是把“问 AI 有没有 bug”变成“让 AI 系统性找漏洞”的关键一步。

过去开发者做代码安全审计，要么跑 SonarQube 这类静态分析工具，要么把代码贴给 ChatGPT 或 Cursor。静态工具基于规则，能查出简单的 SQL 注入，但遇到业务逻辑漏洞或复杂权限绕过就瞎了眼。直接问大模型虽然灵活，但上下文有限，且模型容易顺着你的话说，甚至编造不存在的漏洞。最麻烦的是，大模型给出的结论往往是文本，没法直接接入 CI/CD 流程，跑一次是一次，没法沉淀。

这个项目切入了 Agent 执行层和质量评估层。它解决的痛点是：如何让不可靠的大模型输出可靠、可验证的安全结论。用户卡在“信不信 AI”的问题上——AI 说有漏洞，但没证据；AI 说没问题，实际可能有大坑。security-audit-skill 引入了“对抗性验证”和“独立复核”机制，专门派 Agent 去证伪之前的发现，甚至重新拉起 Agent 核对源代码，把幻觉率压下去。

这类项目现在能火，是因为 Coding Agent 的能力从“聊天”进化到了“多步骤执行”。现在的模型成本足够低，允许同时起十几个 Agent 并行攻击代码库的不同面，而不会把预算烧光。同时，开源生态开始出现可拼装的 Agent 技能，开发者不再需要从头写 Prompt，而是像搭积木一样复用 Cloudflare 这种经过实战验证的 Prompt 链。

这透露出一个明显变化：AI 审计正在从“一次性生成”转向“持续维护”。这个技能支持增量运行，读取之前的 `findings.json` 跳过已知问题，这意味着安全审计不再是上线前的一次性动作，而是可以伴随代码提交持续进行的后台任务。结构化输出（JSON Schema）的强制要求，也说明 AI 工具必须放弃纯文本输出，转向机器可读才能融入工程体系。

Builder 今天可以直接用 Skills CLI 把它挂接到自己的代码库里，跑一遍全量审计。最值得学习的是它的“验证”阶段设计——不要只让 Agent 找问题，要派 Agent 去证明 Agent 错了，这种红蓝对抗思路是提升 AI 输出可信度的关键。这种多阶段、可验证、结构化输出的工作流，完全可以迁移到代码合规检查、性能瓶颈分析甚至法律文档审查中，任何需要高准确率的 AI 审计场景都适用。