STRUCTUREцифровые системыОбсудить проект
НОВОСТЬ · Engineering

MCP для AppSec: локальный ИИ-агент помогает разбирать находки сканеров, но не заменяет эксперта

Экспериментальный сервер AppSecGate связывает языковую модель с инструментами проверки кода и учётом уязвимостей. Автор проекта показал, как агент может ускорить разбор результатов, и одновременно обнаружил ограничения, из-за которых итоговые решения по безопасности пока нельзя передавать автоматике без контроля.

Главное

Обычная проверка приложения распределена между разработчиком, автоматическими сканерами и специалистом по безопасности. Сборка запускает проверки исходников и зависимостей, отчёты попадают в систему учёта, а человеку приходится отделять реальные проблемы от повторов и ложных срабатываний. Когда объём изменений растёт, именно обработка находок может задерживать исправления, даже если автоматические проверки работают исправно.

Автор представил прототип AppSecGate как локальный MCP-сервер, через который ИИ-агент получает структурированные команды и результаты сканирования. По запросу пользовательского помощника сервер проверяет конфигурацию, запускает анализ проекта и возвращает находки из собственной базы. Дальше модель способна запросить подробности конкретного срабатывания, сформулировать план исправления и повторно проверить результат. Контрольные данные при этом остаются доступными для последующего аудита.

Подробности

В демонстрации агент работал через Cline с тестовым приложением OWASP Juice Shop. Команды наподобие scan_project и query_findings_db помогали получать отчёт и выбирать следующую проверку, а отдельные инструменты выдавали контекст для исправлений. Однако обнаружилась неожиданная слабость: помощник мог решить, что уязвимое поведение тестового приложения задумано специально, и предложить ничего не исправлять. Это показывает, что подключение сканера само по себе не гарантирует правильного решения.

Для снижения рисков MCP-сервер запускался внутри изолированного Docker-контейнера. В приведённой конфигурации код проекта монтировался только для чтения, сеть контейнеру не предоставлялась, а временные файлы размещались отдельно. Такой способ даёт модели доступ к инструментам анализа, не превращая его в неограниченные права над исходниками. Одновременно автономный режим усложняет обновление баз правил сканеров и требует продуманного хранения состояния.

Что это меняет

Отдельный опыт посвящён локальным языковым моделям на видеокарте RTX 4060 Ti с 16 ГБ памяти. В проверке участвовали семь моделей, а тестовая программа на Flask содержала подготовленные уязвимости для Semgrep и связанные проверки Trivy. Автор подчёркивает, что это испытание работоспособности связки, а не объективный рейтинг качества моделей. Ошибки в разметке находок, преждевременное закрытие проблем и неодинаковое поведение агентов остаются существенными ограничениями.

Перспектива такого подхода — сократить ручную сортировку результатов и ускорить обратную связь между проверкой и исправлением кода. Но ответственность за архитектуру, оценку логических уязвимостей и окончательный допуск изменений остаётся у специалистов. Для использования вне эксперимента нужны воспроизводимые тесты, журнал действий и ограничения прав, а не только удачная демонстрация работы агента.

Первоисточник

Материал подготовлен STRUCTURE по открытой публикации Habr. Текст и иллюстрации первоисточника не воспроизводятся целиком.

Читать исходную новость целиком ↗