振动切换

Name: 振动切换
Author: GroundNG

作者：GroundNG62 星标更新：2025-05-19

安装使用来源：spider==github.com

项目介绍

VibeShift：Vibe Coders的安全工程师

VibeShift 是一个智能安全代理，旨在无缝集成到AI编码助手（如Cursor、GitHub Copilot、Claude Code等）中。它充当您的自动化安全工程师，分析由AI生成的代码，识别漏洞，并在不安全的代码进入您的代码库之前进行AI驱动的修复。它利用**MCP（模型上下文协议）**在现有的AI编码环境中实现平滑交互。

问题： AI编码助手极大地加速了开发过程，但它们也可能生成具有微妙或明显的安全漏洞的代码。手动审查所有AI生成的代码以查找安全缺陷是缓慢、容易出错且无法与AI开发速度同步扩展的。这种“情绪驱动的开发”可能会使应用程序暴露于风险之中。

解决方案：GroundNG的VibeShift 通过以下方式弥合这一关键的安全缺口，使您的AI编码助手能够：

自动分析AI生成的代码： 当代码由AI助手生成或修改时，可以触发VibeShift使用一系列工具（SAST、DAST组件）和AI驱动的检查来进行安全分析。
识别安全漏洞： 指出常见和复杂的漏洞（例如，XSS、SQL注入、不安全的配置、逻辑错误）在AI生成的代码片段或较大的代码块中。
促进AI驱动的修复： 向AI编码助手提供详细的反馈和漏洞信息，使其能够建议甚至自动应用修复。
创建安全反馈循环： 确保开发人员及其AI助手立即意识到潜在的安全风险，从而允许快速纠正和学习。

这为AI辅助编码创建了一个“左移”安全范式，将安全性直接嵌入到开发工作流程中，帮助更快地交付更安全的代码。

示例（点击播放这些视频）

功能

MCP集成： 无缝集成到Cursor/Windsurf/GitHub Copilot/Roo Code中
自动化安全扫描： 在AI代码生成或修改时触发，执行：
- 静态代码分析（SAST）： 集成工具如Semgrep来查找源代码中的漏洞。
- 动态分析（DAST基础）： 可调用工具如Nuclei或ZAP对运行中的组件进行检查（适用情况下）。
AI辅助测试记录： 从自然语言描述自动生成基于Playwright的测试脚本（自动化模式）。
确定性测试执行： 使用Playwright可靠地运行录制的JSON测试文件。
AI驱动的测试发现： 爬取网站并利用任何LLM（符合openai格式）来建议发现页面的测试步骤。
回归测试： 轻松运行现有测试套件以捕获回归。
自动化反馈循环： 执行结果（包括失败、截图、控制台日志）返回，直接反馈给AI助手。
自我修复： 现有测试在代码更改时自我修复。无需手动更新。
UI测试： 不被Playwright直接支持的UI测试也得到支持。例如，“检查div中的文本是否溢出”。
视觉回归测试： 使用传统的pixelmatch和vision LLM方法。

工作原理

+-------------+       +-----------------+       +---------------------+       +-----------------+       +-------------+
|    用户     | ----> | AI编码助手       | ----> |     MCP服务器       | ----> | 扫描、测试、执行| ----> | 浏览器       |
| (开发者)    |       | (例如，Copilot)  |       | (mcp_server.py)     |       | (SAST, 记录)    |       | (Playwright) |
+-------------+       +-----------------+       +---------------------+       +-----------------+       +-------------+
      ^                                                  |                            |                     |
      |--------------------------------------------------+----------------------------+---------------------+
                                      [测试结果/反馈]

用户： 提示他们的AI编码助手（例如，“测试这个仓库的安全漏洞”，“记录登录流程的测试”，“运行回归测试'test_login.json'”）。
AI编码助手： 识别意图并通过MCP调用由MCP服务器提供的适当工具。
MCP服务器： 将请求路由到相应的函数（get_security_scan，record_test_flow，run_regression_test，discover_test_flows，list_recorded_tests）。
VibeShift代理：
- 传统安全扫描： 对代码调用静态分析工具（例如，Semgrep）。
- 记录： WebAgent（自动化模式）与LLM互动以规划步骤，通过BrowserController（Playwright）控制浏览器，处理HTML/视觉内容，并将生成的测试步骤保存到output/目录下的JSON文件中。
- 执行： TestExecutor加载指定的JSON测试文件，使用BrowserController根据录制的步骤与浏览器互动，并捕获结果、截图和控制台日志。
- 发现： CrawlerAgent使用BrowserController和LLMClient爬取页面并建议测试步骤。
浏览器： Playwright驱动实际的浏览器交互。
反馈循环：
- 综合安全报告（漏洞类型、位置、建议）通过MCP服务器返回给AI编码助手。
- AI编码助手将此信息呈现给开发人员，并可使用该信息建议或应用修复。
- 目标是快速循环：代码生成 -> 安全扫描 -> AI驱动的修复 -> 再次扫描（可选）。

开始使用

先决条件

Python 3.10+
访问任何LLM（gemini 2.0闪存在我测试中免费效果最佳）
安装MCP（pip install mcp[cli]）
安装Playwright浏览器（patchright install）

安装

克隆仓库：

git clone https://github.com/GroundNG/VibeShift
cd VibeShift

创建虚拟环境（推荐）：

python -m venv venv
source venv/bin/activate # Linux/macOS
# venv\Scripts\activate # Windows

安装依赖项：
```
pip install -r requirements.txt
```

安装Playwright浏览器：

patchright install --with-deps # 安装浏览器和操作系统依赖项

配置

将项目根目录下的.env.example重命名为.env文件。
添加您的LLM API密钥和其他必要细节：
```
# .env
LLM_API_KEY="YOUR_LLM_API_KEY"
```
- 替换YOUR_LLM_API_KEY为您实际的密钥。

添加MCP服务器

在您的mcp配置中添加以下内容：

{
  "mcpServers": {
    "VibeShift":{
      "command": "uv",
      "args": ["--directory","path/to/cloned_repo", "run", "mcp_server.py"]
    }
  }
}

在您与AI编码助手互动时保持此服务器运行。

使用

通过您的MCP启用的AI编码助手使用自然语言与代理互动。

示例：

安全分析：
- 自动（首选）： VibeShift自动分析由AI助手生成或显著修改的代码片段。
- 显式命令：
  
  "VibeShift，分析这段函数的安全漏洞。" "让VibeShift检查GitHub Copilot刚刚写的Python代码是否有SQL注入。" "在提交前用VibeShift确保生成的代码安全。"
记录测试：

"记录测试：访问https://practicetestautomation.com/practice-test-login/，在用户名字段中输入'student'，在密码字段中输入'Password123'，点击提交按钮，验证文本'Congratulations student'可见。"
- （代理将自动执行这些操作并保存一个test_....json文件到output/目录下）
执行测试：

"运行回归测试output/test_practice_test_login_20231105_103000.json"
- （代理将执行指定文件中的步骤并报告PASS/FAIL状态及错误详情）
发现测试步骤：

"从https://practicetestautomation.com/practice/开始发现潜在的测试步骤。"
- （代理将爬取站点，分析页面并返回每个页面的建议测试步骤）
列出已录制的测试：

"列出可用的已录制的web测试。"
- （代理将返回output/目录下找到的所有.json文件列表）

输出：

安全报告： 返回给AI编码助手，详细说明：
- 漏洞类型（例如，CWE，OWASP类别）
- 代码中的位置
- 严重程度
- 证据/解释
- 建议的修复措施（通常供AI执行）
已录制的测试： 作为JSON文件保存在output/目录下（参见test_schema.md格式）
执行结果： 作为JSON对象总结运行情况（状态、错误、证据路径）。完整的运行结果也保存到output/execution_result_....json。
发现结果： 作为JSON对象返回，包含发现的URL和建议的步骤。完整的发现结果保存到output/discovery_results_....json。

启发

浏览器使用：DOM上下文树生成受到他们的启发，并进行了修改以适应静态/动态/视觉元素。特别感谢他们对开源的贡献。
Semgrep：我们利用的强大开源静态分析工具。
Nuclei：用于模板驱动的动态扫描能力。

贡献

我们欢迎贡献！请参阅CONTRIBUTING.md了解如何开始、报告问题和提交拉取请求的详细信息。我们特别感兴趣的是：

新的安全分析器集成。

许可证

本项目根据APACHE-2.0许可。