得物以业务Skills驱动网关路由安全审计

面对平台 API 规模扩张，安全审计原有抽样模式仅覆盖约 20%，且新接口评估时效性不足、检测规则难以沉淀。团队构建网关路由 AI 安全审计系统，采用「通用 Agent + 业务 Skill」分层设计、增量日检/存量月检：常规代码负责任务调度与结果存储，所有 AI 分析由超级 Agent 完成，业务逻辑全部沉淀在 Skill 中以便快速迭代，并可通过 --resume 恢复会话现场使分析过程可回溯可验证；设计上明确最大化复用 Claude Code/OpenCode 的代码理解、推理分析、上下文管理与会话恢复能力。Skill 目录 gateway-route-vuln-analyzer 含 SKILL.md（检测决策树 Step 1-4、危害评估规则、报告输出模板）、references（unauthorized_patterns.md 越权模式库、logic_flaws.md 逻辑漏洞指南、data_classification.md 数据敏感性分级、report_template.md 报告模板）与 scripts/mcpcli-gateway（CLI 入口，用于 Token 优化）。越权检测分四步并设两级短路退出：路由配置检查（auth_config.public 与 required_scopes，配置无异常则跳过后续审计）、登录态识别（遍历调用链找认证节点，标准认证路由直接信任并跳过代码审计）、代码审计三维检测（权限注解 @PreAuthorize、用户 ID 来自登录态还是请求参数、所有权校验是 DB 过滤还是代码显式校验）、精细化危害评估（区分越权读取按数据敏感性、越权操作按利益流向，输出风险等级与修复建议；数据分级依据《数据安全法》《网络安全法》相关要求，由 AI Agent 基于变量名、字段类型、接口定义等代码特征做技术推断）。运行模式为 AI 批量筛查 + 人工深度验证的人机协同，产出含路由信息、接口功能分析、调用链、漏洞详情、分析置信度、局限性、二方包依赖、涉及微服务（含 commit_id 与 project_path）的标准化报告。正文称已通过多个高危外网漏洞的实际发现验证 AI 在代码审计场景的有效性，并实现 100% 路由覆盖与分钟级检测响应。 团队通过分析多个会话日志定位 Token 消耗热点后做三层优化：一是 MCP→CLI 转换（mcp2cli），把 MCP 工具暴露为 CLI 命令，调用链由「Claude → MCP Server → 工具执行」改为「Claude → Bash → mcp2cli → 工具执行」，避免每次会话加载完整 MCP 上下文，节省 61% Token；二是工具返回值优化，针对无参数调用返回完整文件（最大 1.47MB、约 500K tokens）的问题，为 gitlab_file 增加精准参数实现按需提取，v2 相对 v1 再节省 88%；三是 Early-Exit 模式，对标准认证路由直接信任、跳过冗余代码审计，标准认证场景节省 50-70%；此外把返回格式改为对 AI 更友好的 YAML，降低解析成本。三层合计整体 Token 成本降幅 95%+。成本侧：单条路由审计成本 ¥0.23，某大型业务集群全量扫描一轮不到 1 万元，正文据此判断成本完全可控。 模型选型围绕准确率与召回率建立决策矩阵，最终选型为在召回率 100% 的候选模型中以更低单位成本实现可接受准确率的 qwen3.5-plus，作为批量场景最优解；团队同时说明两点局限：结论基于独立手工标注测试集（100+ 样本）、与生产告警数据相互隔离，仅作基线参考；且大模型迭代快，未纳入评测时点之后的新模型。误报治理方面，基于已复核告警的根因分析给出四类改进：强化信任边界追踪（解决 35% 误报）——AI 发现中间层未校验就下结论，需在 Skill 中加规则「发现校验就停止、发现缺失就继续，必须追踪到信任边界」；上下游参数一致性校验（解决 25% 误报）——分析 Controller 层 Request 是否含资源 ID，无资源 ID 字段则判定为仅操作当前用户数据并跳过越权分析；Dubbo 配置信息补充（解决 10% 误报）——引入 Open 网关 Dubbo 配置，新增 MCP 工具 get_dubbo_config 获取路由的 Dubbo 调用配置与参数映射；代码内响应体价值预判优化（解决 10% 误报）——细化规则，把纯状态码返回、通用配置信息、流程节点信息列为不敏感可忽略。方法论上还沉淀了场景化分层模型选型：批量例行场景用高性价比模型、核心关键场景启用高精度模型。