在現代軟體開發流程中，自動化漏洞掃描是確保安全性不可或缺的一環。然而，傳統的 AI 驅動代碼掃描工具經常面臨一個嚴重的挑戰：極高的誤報率（False Positives）以及 AI 幻覺（Hallucination）。所謂的 AI 幻覺，是指大型語言模型在分析代碼時，可能會自信地指出一個根本不存在的漏洞，導致開發人員耗費大量時間去追蹤虛假的錯誤。根據 Google 的觀察，部分 AI 掃描工具的真實正報率（True-positive rate）甚至低於 7%，這使得自動化安全分析在實務上難以大規模推行。
為了克服這些問題，Google 開源了 Mantis，這是一個專為自動化軟體漏洞生命週期設計的 AI Agent 框架。Mantis 的目標不僅僅是發現漏洞，而是將整個過程從識別、驗證、重現到修復完全自動化。它不再像傳統工具那樣採取暴力掃描所有文件的做法，而是引入了 Agentic 技術，也就是透過多個具有特定職能的 AI 代理人協作，來模擬安全專家的分析思維，從而大幅提升漏洞偵測的精準度。
核心運作機制與 Agent 協作
Mantis 的核心在於將漏洞分析拆解為多個模組化的技能組，包含超過 15 種工具，這些工具可以循序或並行執行。為了讓 AI 能夠在複雜的代碼庫中建立正確的認知，Mantis 首先會分析儲存庫的歷史記錄、過往的安全性修復紀錄、系統架構以及威脅模型（Threat Models，一種用來定義系統潛在攻擊面與風險的分析方法）。接著，它會將分析後的文件總結為一個層級樹狀結構，保留目錄與儲存庫層級的上下文資訊。這種做法能有效減少 85% 的 Token 使用量，在降低運算成本的同時，仍能讓 AI 掌握全局結構。
在實際分析過程中，Mantis 部署了多種職能不同的 Agent 來形成制衡機制。首先由策略師代理人（Strategist Agent）負責評估高層級的代碼結構、依賴關係圖與威脅模型；研究代理人（Research Agents）則深入探討原始源文件，追蹤數據流（Data Flows）與控制流（Control Flows），並檢查清理邏輯（Sanitization Logic，即防止惡意輸入進入系統的過濾機制）。
最關鍵的步驟在於驗證。為了剔除誤報，Mantis 引入了評論代理人（Critic Agent）與審查代理人（Reviewer Agent）。審查階段會應用基於規則的負向過濾器來剔除明顯的誤報。更重要的是，Mantis 具備在沙箱環境（Sandboxed Environment）中重現漏洞的能力。這意味著 AI 不再僅僅是根據機率預測「這裡可能有漏洞」，而是嘗試撰寫一個可執行的崩潰重現程式（Crash Reproducer），在受控的安全環境中證明漏洞確實存在。這種將 AI 的判斷與實際執行結果掛鉤的機制，稱為 Grounding，能有效解決 AI 幻覺問題。
模型分級策略與實務限制
在效能優化方面，Google 建議在 Mantis 框架中採取分級模型策略，而非在所有階段都使用最強大但最昂貴的前沿模型。對於不需要深層邏輯推理的任務，例如由 mantis-researcher 執行的快速分類或由 mantis-dedupe 執行的相似文本聚類，可以使用 Flash 或 Lite 等輕量化模型以提升速度。而對於需要深層上下文理解與零樣本問題解決（Zero-shot problem solving）的複雜任務，例如撰寫重現程式的 mantis-reproduce 或生成無副作用修復補丁的 mantis-patch，則應配置更強大的模型。
儘管 Mantis 透過多層過濾與沙箱驗證大幅降低了誤報，但 Google 同時提醒，在設定審查階段的負向過濾器時必須謹慎。如果過濾規則過於寬鬆，可能會將低風險但真實存在的漏洞誤判為誤報，進而降低系統的偵測能力。
Mantis 的推出代表了安全掃描從單純的模式匹配或單一 LLM 推論，轉向多 Agent 協作的範式轉移。透過將結構化分析、對抗性審查與實體環境驗證結合，安全團隊能夠以機器速度發現並修復漏洞，同時將開發者的注意力集中在真正具威脅的漏洞上，而非在海量的誤報噪音中掙扎。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。