吴恩达开源 OpenWorker：AI Agent 如何为安全防御者提供杠杆

吴恩达老师 OpenWorker 新版本：开源 AI Agent 如何为安全防御者提供杠杆

吴恩达老师展开论述了四层关键信息

1. 定位转向：初版发布后，用户自发把它大量用于安全场景，团队顺势推出内置的网络安全智能体； 2. 信任论证：强调 harness 完全开源、可被审计，以此回应"AI 工具会不会偷传我的代码"这一担忧； 3. 三个内置安全能力：代码漏洞扫描、依赖供应链注入检测、云安全配置检查； 4. 模型中立：可接 ChatGPT 订阅、API key、隐身预览模型，也可完全本地跑开源权重模型。

最重要的概念："模型 + harness"的拆分

· model：负责推理和决策的大脑，如 GPT、Claude、DeepSeek 等； · harness：包裹模型的那层软件——负责调度工具、执行命令、读写文件、管理权限、决定把什么数据发给模型。

这个拆分的用意在于：数据泄露的风险主要不在模型，而在 harness。模型是你自己选的、API 走向是明确的；但 harness 是个黑盒软件，它理论上可以在你不知情时把你的代码、密钥、对话记录发往任何地方。

闭源的 AI Coding Agent 要求你无条件信任厂商；而 OpenWorker 的 harness 全部开源，安全团队可以逐行审计，确认没有后门。

三个安全智能体的实际含义

吴恩达老师列出的三项能力，对应安全行业的三个成熟品类，但用 agent 的方式重做了一遍：

· 扫描代码漏洞——类似 SAST（静态应用安全测试）。值得注意的是它并不重复造轮子，而是驱动你已有的扫描器（如 semgrep、密钥泄露扫描），再用 AI 按"可达性"（这段漏洞代码是否真的会被执行到）而不仅是"严重等级"来分诊结果，最后直接生成符合你代码风格的修复 PR。 · 扫描依赖的供应链注入——针对近年高发的 npm/PyPI 恶意包、域名仿冒（typosquatting)、被篡改的 CI 工作流等攻击面。这类攻击（如 xz-utils 事件）已成为开源生态最大的系统性风险之一。 · 检查云安全配置——类似 CSPM（云安全态势管理）：扫描 Terraform 等基础设施代码，并与真实云环境核对，每个结论附带验证命令，修复同样以 PR 形式落地、由人合并。

"Shift left"（左移）是另一个关键词：传统上安全检查发生在部署前甚至部署后，"左移"主张把安全尽量前置到开发阶段——开发者在写代码、提交 PR 时就把漏洞堵掉，成本最低。

模型选择自由背后的真实意图

吴恩达老师指出：合法的安全工作（比如为了防御而复现一个已知漏洞）会触发主流闭源模型的拒答。

这指向 AI 安全领域著名的双重用途困境：漏洞复现、渗透测试、恶意软件分析是防御方的正当工作，但闭源模型的对齐策略往往"宁可错杀"，拒绝配合。本地运行的开源权重模型没有这层限制，且敏感代码完全不离开本机——这对金融、政企等有合规要求的团队是硬需求。

OpenWorker https://github.com/andrewyng/openworker