扫描Harness：AI 编码智能体 中配置暴露的存储库研究

AI 编码智能体 依赖于存储库指令、技能、挂钩、工具服务器声明和子代理定义。这些工件分发行为和对可执行依赖项的访问，使配置审查成为代理软件供应链的一部分。我们研究了 3,171 个公共 GitHub 存储库：2,660 个组装设置和 511 个技能集合。确定性分析、机械重新推导、模型辅助审查和平台文档检查确定了六类配置暴露和一致性问题。 9.8% 的设置中出现未固定的 MCP 包声明，2.5% 的广泛执行授权，3.8% 的广泛技能工具预先批准。他们的工会涵盖 409 个机构（15.4%）；在具有 MCP 配置的设置中，24.5% 包含未固定的声明。包括必填字段和技能格式问题，设置率达到 17.9%，收集率达到 6.8%。保持六个类别不变，上下文审查将设置率从 18.3% 更改为 17.9%；规则选择解释了来自更广泛的候选集的大部分减少。研究结果确定了固定依赖关系、审查执行预批准以及在分发或使用之前检查组件一致性的具体机会。记录的权限异常还暴露了扫描仪及其机械审核中的共享错误，从而激发了特定于版本的语义检查。该研究提供了有关存储库声明的可重复证据； 真值 的运行时危害和检测器对人类的准确性仍然是悬而未决的问题。