I built an AI vulnerability scanner with Claude and Codex. It failed

说明与用途

**项目简介**
这是一个使用 Anthropic Claude 与 OpenAI Codex 构建的 AI 漏洞扫描器示例，演示了如何快速为现有系统加入 AI 检测能力——尽管当前实现仍未完全成功。项目适合作为原型或内部工具，帮助开发者快速验证 RAG、Agent 工作流以及模型工具链的可行性。

**价值**

• **快速原型**：提供即插即用的代码框架，让团队在几分钟内搭建起 AI 驱动的安全检测功能，无需从零构建模型堆栈。
• **技术评估**：可用于评估 Claude、Codex 等大模型在漏洞扫描、代码审计等安全场景的表现，为后续选型提供实证数据。
• **学习示例**：代码结构清晰，展示了如何在前端与后端之间串联 LLM、RAG 与自定义插件，适合作为学习和内部培训材料。

**典型接入方式**

1. **克隆仓库** → git clone <repo>，安装依赖（Node.js / Python 环境）。
2. **配置 API 密钥**：在 .env 中填入 Claude 与 Codex 的访问令牌。
3. **集成到现有 CI/CD**：将扫描脚本作为代码提交前的预检查步骤，或在安全审计平台中以微服务方式调用。
4. **手动审查**：由于自动化信号稀疏，建议在正式采纳前对扫描结果进行人工复核，并根据业务需求调整提示词或过滤规则。

**生产可用性**

• **成熟度**：Medium。代码已更新至 2026‑05‑18，适合作为原型或内部流程使用，但在正式生产环境部署前需进行依赖、维护频率、许可证合规以及文档完整性的检查。
• **风险**：质量信号有限，模型调用成本和误报率需自行评估；同时项目的维护者活跃度不高，建议自行制定更新和监控策略。

总体而言，该项目是一个便捷的起点，可帮助团队快速验证 AI 在安全检测中的潜力，但在投入生产前需要进行充分的人工审查和运维准备。

实际用途

I built an AI vulnerability scanner with Claude and Codex. It failed helps add AI capability without starting from a blank model stack.

• prototype AI features
• build RAG or agent workflows
• evaluate model tooling

限制与审查说明

Medium: useful for prototypes or internal workflows, with dependency and maintenance checks before production.