AI-Infra-Guard实战，从基础设施到第三方Skill的安全扫描指南

随着人工智能技术的快速发展，AI基础设施的安全性日益受到关注。近日，腾讯朱雀实验室推出了一款名为AI-Infra-Guard（简称A.I.G）的开源工具，旨在为AI系统提供全面的安全扫描解决方案。该工具采用Apache 2.0协议，包含五个核心模块，覆盖从AI组件指纹识别到越狱评估的全方位检测。

A.I.G的部署相对简单，推荐使用Docker一键启动。首先需要准备满足以下条件的运行环境：Docker 20.10及以上版本，内存4GB以上，磁盘空间10GB以上。对于Windows用户，建议启用WSL2后端并配置镜像加速器以提高拉取速度。

以下是三种主要部署方式：

使用预构建镜像（最快）：通过git clone仓库后执行docker-compose命令即可快速启动服务；

一键脚本安装：适用于需要自动安装Docker的场景，但需root权限；

源码编译：适合需要自定义构建的高级用户。

部署完成后，可通过访问http://localhost:8088验证服务是否正常运行，并可同时使用Web界面和Swagger API文档进行操作。

A.I.G的第一个核心功能是对正在运行的AI服务进行安全扫描。用户只需输入目标服务地址，工具会自动连接并识别组件指纹，比对超过2000条CVE记录，最终输出命中漏洞及其修复建议。

值得注意的是，许多AI服务由于长期未更新而存在安全隐患。例如，老版本的Ollama和ComfyUI等工具常被用作临时模型运行环境，但往往缺乏后续维护，成为安全漏洞的重灾区。

除了实时运行的AI服务，A.I.G还提供了针对MCP Server和Agent Skill的静态审计功能。MCP（Model Calling Protocol）是AI调用外部工具的接口协议，而Skill则是AI执行特定任务的代码包。

这两个组件通常由第三方提供，因此在集成前需要进行严格的安全审查。A.I.G支持通过远程URL或本地源码压缩包的方式进行扫描，能够检测包括命令注入、凭证外泄、过度授权在内的15类MCP风险，以及指令劫持、权限滥用等9类Skill风险。

画清权限边界：确认技能的读写执行范围及网络访问权限；

按顺序读四类文件：重点检查主说明、脚本、依赖和配置文件；

只读扫描器筛查：防止漏看高风险动作；

隔离副本试跑：验证实际文件、命令、网络变化。

通过这种分层审查机制，可以有效降低因第三方技能引入而导致的安全风险。

在一次实际部署中，作者发现A.I.G曾出现一次“漏报”情况。经过复盘分析，发现问题出在组件指纹识别环节，部分代理或网关设备被错误识别，导致版本号比对失败。这一案例提醒用户，在使用A.I.G时需要注意指纹识别的准确性，并结合人工审核进行补充验证。

AI-Infra-Guard的推出为AI系统的安全防护提供了有力工具。通过自动化扫描与人工审查相结合的方式，可以帮助开发者及时发现并修复潜在的安全漏洞。未来，随着AI技术的不断演进，类似的防护工具将发挥越来越重要的作用，保障AI应用的安全可靠运行。