应用介绍
把一个大模型指向整个仓库、丢一句「帮我找漏洞」，结果多半是一堆看着吓人、复现不了的误报——AI 找漏洞真正难的不是会不会找，而是怎么让它少报错、能复现。open-kritt 换了个打法：不让单个模型硬啃全库，而是先把代码里的入口和路径拆成一个个小而明确的研究任务，再让多个 AI Agent 分头并行追踪。
每个 Agent 跑在独立的一次性容器里，有可写的代码副本和联网能力，能装工具、编译目标、跑测试，必要时还做模糊测试和 PoC 验证——所以给出来的不是「疑似」，而是走通了利用路径、带证明的结论。多路结果最后按统一的 finding schema 汇总，自动去重、按严重度排序，再打包成带 PoC 和报告的导出件。整个引擎自托管，模型接 Codex 或 Claude Code 都行，工作流、提示词、算力全在你自己手里。请在你有权审计的代码上使用，并按官方威胁模型跑在专用主机或虚拟机里，别拿它去扫来路不明的仓库。
任务拆分 · 多 Agent 并行：先分析代码入口和路径，把研究拆成小而明确的任务，交给多个 AI Agent 分头并行追踪，避免单模型啃全库的低命中。
独立环境验证：每个 Agent 在一次性容器里分析代码、运行测试，可做模糊测试和 PoC 构建，让结论能真正复现而不是停在猜测。
去重与严重度排序：用统一的 finding schema 汇总多路输出，自动去重、套自定义严重度排序器，把噪声压下去、把真问题顶上来。
可复用工作流：把聚焦的提示词串成安全研究 playbook，扫远程或本地仓库及其依赖时反复调用。
结果一键导出：把规范化的 findings、结构化数据、后处理输出、报告和 PoC 打包成一个 ZIP，中断或失败的扫描也会导出清楚标注的部分结果。
自带模型 · 自托管：接 Codex 登录或 OpenAI、Anthropic、OpenRouter、xAI，整套引擎自己部署，AGPL-3.0 开源，数据不出本机。
每个 Agent 跑在独立的一次性容器里，有可写的代码副本和联网能力，能装工具、编译目标、跑测试，必要时还做模糊测试和 PoC 验证——所以给出来的不是「疑似」，而是走通了利用路径、带证明的结论。多路结果最后按统一的 finding schema 汇总，自动去重、按严重度排序，再打包成带 PoC 和报告的导出件。整个引擎自托管，模型接 Codex 或 Claude Code 都行，工作流、提示词、算力全在你自己手里。请在你有权审计的代码上使用，并按官方威胁模型跑在专用主机或虚拟机里，别拿它去扫来路不明的仓库。
软件功能
任务拆分 · 多 Agent 并行：先分析代码入口和路径，把研究拆成小而明确的任务，交给多个 AI Agent 分头并行追踪，避免单模型啃全库的低命中。
独立环境验证：每个 Agent 在一次性容器里分析代码、运行测试，可做模糊测试和 PoC 构建，让结论能真正复现而不是停在猜测。
去重与严重度排序：用统一的 finding schema 汇总多路输出，自动去重、套自定义严重度排序器，把噪声压下去、把真问题顶上来。
可复用工作流：把聚焦的提示词串成安全研究 playbook，扫远程或本地仓库及其依赖时反复调用。
结果一键导出：把规范化的 findings、结构化数据、后处理输出、报告和 PoC 打包成一个 ZIP，中断或失败的扫描也会导出清楚标注的部分结果。
自带模型 · 自托管：接 Codex 登录或 OpenAI、Anthropic、OpenRouter、xAI，整套引擎自己部署，AGPL-3.0 开源，数据不出本机。
