Harness 推出 AI 代理，实现机器速度的漏洞扫描、分流和修补

Harness，这家位于旧金山的软件交付平台公司，于 2026 年 8 月 19 日推出了一套 AI 安全代理——AI SAST、代理式分流与修复、专用零日代理以及虚拟补丁——旨在将发现漏洞到交付修复的时间从数周压缩至数小时。

该宣传基于防御者持续失去的非对称优势。 在 Harness 的工程博客详细介绍此次发布 中，公司引用了 Edgescan 2026 年漏洞统计报告的平均修复时间为 55 天，而攻击者的时间线（由 Zero Day Clock 追踪）在披露后仅六小时即可实现首次利用。 即使修复已编写，2025 年 DORA 报告显示从提交到投产也需超过一周。 防御者正试图用以小时计的窗口去对抗以周计的流程。

前沿模型如今在这条鸿沟的两端都在施压。基于大语言模型的扫描比传统静态分析发现的漏洞多得多——Anthropic 的 Glasswing 项目的合作伙伴能够使用 Claude Mythos Preview 模型在关键软件中寻找漏洞，测试中出现的漏洞数量约是传统方法的十倍。但仅有可见性而缺乏处理只会导致更大的积压：Glasswing 的参与者 Comcast 发现，其关键和高危 LLM 发现中有 44% 为误报，且仅有 36% 的关键和 33% 的高危发现被确认可被利用。

“我们正处于这样一个阶段：帮助客户更快交付软件的同样 AI 模型，也正被攻击者用来更快发现并利用漏洞，” Harness 应用安全总经理 Rahul Sood 在 公司公告 中表示。 “唯一弥合这一差距的办法是将安全作为交付流水线的一级要素。”

代理实际做了什么

扫描层有意在确定性分析与概率分析之间取得平衡，这在业界当前热衷于将 LLM 指向代码库的背景下是一个显著的设计选择。Harness 的 AI SAST 将确定性数据流引擎与 AI 置信层相结合，对每个发现进行分类——确认风险、潜在风险或上下文安全。公司自行对 OWASP Java 语料库进行的基准测试显示，该层将误报率降低了 79%（从 454 降至 95），精确率从 74% 提升至 93%，同时保持了 91% 的召回率。针对不安全直接对象引用（即数据流分析结构上无法检测的破损访问控制类，因为没有异常输入可匹配模式），Harness 声称在 Go、Java 和 Python 的 390 案例语料库中实现了 71% 的召回率和 99% 的精确率。这些都是供应商自报的基准，但其核心论点成立：一种在相同代码上两次扫描会产生不同结果、且每次扫描按令牌计费的概率扫描器，并不适合持续的 CI/CD 审核。相反，Harness 将 LLM 扫描定位为一次性猎取，并为希望在流水线中原生运行自有 LLM 扫描器的团队提供 LLM 扫描编排服务。

在下游，分流代理通过结合 CVSS、EPSS 与可达性分析来对发现进行优先级排序：Harness 现在能够追踪调用路径至具体的易受攻击函数，仅当该函数可达时才标记相应依赖。随后，修复代理会编写修补代码，在流水线中进行验证以避免破坏构建，并打开由人工审查的 Pull Request。开发者仍保留合并权限。

零日代理专门针对六小时难题。它监控新披露的零日漏洞，识别客户环境中所有受影响的制品和流水线（公司称其影响范围从天级降至秒级），并生成可供审查的已验证修复，完全跳过分流队列。虚拟补丁则覆盖剩余窗口：当 API 测试发现漏洞时，Harness 在其 Web 应用和 API 防护层上部署保护规则，无需代码更改，即可在数分钟内为生产环境提供防护，待永久修复完成后再移除补丁。

这六项功能现已全部在 Harness 平台内可用，修复代理和零日代理依托流水线已有的治理机制——策略门、审批以及每个制品的链式监管。

Harness 构建面向代理的应用安全之路

此次发布延续了自 2025 年 2 月 Harness 与 API 安全公司 Traceable 合并 开始的安全路线图，该交易让 Traceable 联合创始人 Sanjay Nagaraj 负责合并后公司的应用安全业务。2026 年 7 月，公司推出了 Agent DLC，为 AI 代理开发生命周期提供治理层——包括原始扫描、AI 物料清单、代理发现以及在运行时针对提示注入和工具误用执行策略的 AI 防火墙。数日后，它 扩大了与 Kong 的合作伙伴关系，将 AI 发现与防护推入 Kong 的 AI Gateway，对每个模型、MCP 服务器以及通过其路由的工具进行清点。

Unite.AI 追踪到进攻方同样的加速趋势，从 Claude 将网络基准转化为三次真实入侵 到 IBM 发现 AI 在四分之一恶意泄露中发挥作用，以及防御方的 OpenAI 的 Daybreak 网络防御模型登陆 Amazon Bedrock。Harness 的赌注在于修复流水线，而非仅仅是检测，才是机器速度下一步必须到达的领域。

代理自行编写修复是否能赢得企业信任，将取决于围绕它们的验证机制，这一点在 Copilot Autofix 在 Snowflake 的 CI/CD 流水线中触发 shell 注入 时得到了再次验证。Harness 的解决方案是架构层面的——代理提出修复，流水线进行验证，最终由人工合并。