他のツールはパターンをフラグ付けします。SEC-AFは悪用可能性を証明します：すべての検出結果には、判定、データフローのトレース、そして行動に移せる証拠が付属します。無料、オープンソース、APIコール1回。30件の検証済み検出結果を含む完全な監査は、LLM呼び出しで約1.40ドルのコストです。

One-Call DX

af CLIでトリガーします（af ≥ 0.1.87が必要）— ライブ進捗をストリーム表示し、結果を出力します：```bash af call sec-af.audit --in '{"repo_url": "https://github.com/dolevf/Damn-Vulnerable-GraphQL-Application"}'

生のHTTPがお好みですか？curlで直接APIを叩いてください：```bash
curl -X POST http://localhost:8080/api/v1/execute/async/sec-af.audit \
  -H "Content-Type: application/json" \
  -d '{"input": {"repo_url": "https://github.com/dolevf/Damn-Vulnerable-GraphQL-Application"}}'

得られるもの

これはSEC-AFがDVGA（意図的に脆弱なGraphQLアプリケーション）を監査した実際の結果です：```jsonc { "title": "OS Command Injection in run_cmd Helper Function", "severity": "critical", "verdict": "confirmed", // not "maybe" — confirmed exploitable "evidence_level": 5, "cwe_id": "CWE-78",

"rationale": "Tracer confirms complete data flow from GraphQL parameters (host, port, path, scheme, cmd, arg) to os.popen(cmd).read() sink. Sanitization functions are bypassable in Easy mode...",

"proof": { "verification_method": "composite_subagent_chain:sast", "data_flow_trace": [ { "description": "core/views.py:203 — GraphQL args defined (host, port, path, scheme)", "tainted": true }, { "description": "core/views.py:210 — URL constructed from user input", "tainted": true }, { "description": "core/views.py:211 — helpers.run_cmd(f'curl {url}') called", "tainted": true }, { "description": "core/helpers.py:9 — os.popen(cmd).read() executes input", "tainted": true } ] },

"location": { "file_path": "core/helpers.py", "start_line": 9, "code_snippet": "def run_cmd(cmd):\n return os.popen(cmd).read()" } }

すべての発見結果には、**判定** (`confirmed` / `likely` / `inconclusive` / `not_exploitable`)、証明オブジェクト（完全な汚染経路トレース付き）、そして正確なコード位置が含まれます。「これは問題かもしれません」といった曖昧なものではありません。SEC-AFはデータをソースからシンクまで追跡し、実際に悪用可能かどうかを証明します。

> 完全なベンチマーク出力（30件の発見結果）：[`exampl/dvga-benchmark-result.json`](https://github.com/agent-field/sec-af/blob/main/exampl/dvga-benchmark-result.json) | パフォーマンス分析：[`exampl/benchmark-analysis.json`](https://github.com/agent-field/sec-af/blob/main/exampl/benchmark-analysis.json)

## ベンチマーク：DVGA

SEC-AFを [Damn Vulnerable GraphQL Application](https://github.com/dolevf/Damn-Vulnerable-GraphQL-Application) に対して実行しました。これは21の文書化されたセキュリティシナリオを持つ、意図的に脆弱に作られたアプリケーションです。

| メトリクス | 値 |
|---|---|
| 生の発見結果数 | 106 |
| AI重複除去後 | 61 |
| **敵対的検証後** | **28件確認済み** |
| 結論が出ず（手動レビューが必要） | 1 |
| 悪用不可（正しく却下） | 1 |
| ノイズ削減率 | 94% |
| DAGエッジ数（リーズナー呼び出し） | 82 |
| エージェント呼び出し数 | 約166～255 |
| 実行戦略数 | 11 |
| ウォールクロック時間 | 約78分 |
| 推定コスト（Kimi K2.5） | 約$0.18～$0.90 |

<details>
<summary><strong>内訳：カテゴリ別確認済み発見結果30件</strong></summary>

| カテゴリ | 件数 | 例 |
|---|---|---|
| 認証欠如 | 8 | ImportPaste、delete_all_pastes、system_debug、CreateUser、ファイルアップロード |
| コマンドインジェクション | 4 | ImportPaste、system_debug、system_diagnostics 経由の `os.popen(cmd)` |
| SQLインジェクション | 3 | `resolve_pastes` での未サニタイズ `filter`、LIKEパターンインジェクション、ログイン |
| 認証バイパス | 3 | JWT署名無効、JWT認可バイパス、脆弱なパスワード認証 |
| 平文クレデンシャル | 3 | 平文パスワード保存、平文比較、診断内のパスワード |
| SSRF | 2 | ImportPasteミューテーションがユーザー指定URLをサーバーサイドで辿る |
| ビジネスロジック/URLサニタイズ | 2 | 不十分なURLサニタイズ、認証なし大量削除 |
| DoS/リソース枯渇 | 3 | users/auditsクエリにページネーションなし、制御不能なsimulate_load |
| 設定/シークレット | 2 | ハードコードされたJWT/Flaskシークレット、本番環境でデバッグモード有効 |

</details>

<details>
<summary><strong>設計パターン：AIネイティブなセキュリティ分析の仕組み</strong></summary>

SEC-AFは、単一のモノリシックスキャンを実行するのではなく、多数の特化型AIエージェントを構成することで初めて可能となる、いくつかのアーキテクチャパターンを適用しています。これらのパターンは、AI駆動型セキュリティ分析における根本的な課題に対処します。

**1. 敵対的エージェントの緊張関係（HUNT vs. PROVE）**

ほとんどのAIセキュリティツールは、単一のモデルに「これは脆弱ですか？」と尋ね、その答えを受け入れます。SEC-AFは、発見エージェントと反証エージェントを構造的に分離します。ハンターは脆弱性を見つけるように動機づけられ、プローバーはそれらを反証するように動機づけられます。各発見結果は、4エージェントによる検証チェーンを通過します。トレーサーがデータフローを再構築し、サニタイゼーションアナライザーがハンターが見逃したかもしれない緩和策を探し、エクスプロイト仮説生成器が具体的な攻撃シナリオを構築し、判定エージェントがすべての矛盾する証拠を評価します。エージェント間のこの敵対的緊張こそが94%のノイズ削減を実現する原動力であり、アーキテクチャ自体が懐疑性をエンコードしています。

**2. 段階的絞り込みによるシグナルカスケード**

すべての発見結果をユーザーにそのまま提示する代わりに、パイプラインは各段階でシグナルを圧縮します：106の生の発見 → AI重複除去後61 → 敵対的検証後30。各フェーズがフィルターとして機能します。これは、人間のセキュリティチームがトリアージを行う方法——最初に広く発見し、その後厳格な精査を進める——を反映しています。重要な洞察は、各フィルターが異なる種類のAI推論であることです：重複除去には意味的類似性、検証には汚染分析、確認にはエクスプロイト構築です。

**3. コンテキストプルーニングによる情報経済**

LLMは無関係なコンテキストを与えられると幻覚を起こしやすくなります。SEC-AFは各エージェントが必要とする情報のみをルーティングします：インジェクションハンターはデータフローマップと入力エントリポイントに絞られた偵察コンテキストを受け取り、暗号ハンターは依存関係ツリーと鍵管理パターンを受け取ります。検証者は、特定の検証方法に必要なフィールドのみを含む発見結果の投影ビューを受け取ります。この戦略ごとのコンテキストプルーニングにより、幻覚とコストの両方が削減され、エージェントは決して見ることのない情報で混乱することがなくなります。

**4. ストリーミングによるフェーズオーバーラップ**

従来のパイプラインは順次実行されます：偵察を完了し、ハンティングを開始し、証明を開始します。SEC-AFは `asyncio.Queue` を介してフェーズをオーバーラップさせます——ハンターは偵察出力が到着次第消費を開始し、各ハンターが完了するにつれて重複除去が発見結果を処理します。プローバーは、後のハンターがまだ実行中であっても、最初の重複除去済み発見結果の検証を開始します。このストリーミングアーキテクチャにより、シグナルカスケードを犠牲にすることなくウォールクロック時間が短縮されます。各発見結果は依然としてすべてのフィルターを通過しますが、より早期に通過します。

**5. AIゲートによる動的ルーティング**

パイプラインは、発見された内容に基づいて実行時に適応します。AIゲートが偵察出力を調べ、アクティブにするハント戦略を選択します。JWT認証付きFlaskアプリは、gRPCを使用するGoマイクロサービスとは異なるハンターをトリガーします。別のCWE拡張ゲートは、検出されたテクノロジースタックに基づいて脆弱性ターゲットリストを動的に拡大します。到達可能性ゲートは、依存関係の脆弱性に悪用可能な呼び出しパスがあるかどうかを評価し、到達不能なコードに検証リソースを浪費するのを防ぎます。

**6. コーディングエージェントのためのガイド付き自律性**

SEC-AFは、AgentFieldハーネスを介してコーディングエージェント（Claude Code、OpenCode、Codex）上で動作します。エージェントに単一の巨大なプロンプトを与える代わりに、各リーズナーはフェーズ認識型のガイド付き自律性を提供します：エージェントは狭いタスク定義、平坦な出力スキーマ（2～4フィールド）、および戦略固有のコンテキストを受け取ります。エージェントはこれらの境界内で完全な自律性を持ち——ファイルの読み取り、コードのトレース、自由な推論が可能——ハーネスは出力の「形状」を制約します。これにより、自律エージェントがタスクから逸脱したり、非構造化された結果を生成したりするという一般的な失敗モードを防止します。

**7. 完全な観測可能性を持つ構成可能なリーズナーDAG**

すべてのエージェント呼び出しはAgentFieldコントロールプレーンを流れ、監査の完全な有向非巡回グラフ（DAG）を作成します。どのハンターがどの発見結果を見つけたか、各検証にどれだけ時間がかかったか、プローバーがどのような証拠を生成したか、パイプラインがどこで時間を費やしたかを確認できます。新しい脆弱性クラスの追加は1ファイル——新しいハンター——で可能です。オーケストレーターがそれを発見し、コンテキストをルーティングし、その発見結果を既存の重複除去→証明→修復パイプラインに統合します。DAGこそがアーキテクチャです。

</details>

<details>
<summary><strong>見逃したもの（とその理由）</strong></summary>

見逃した9つのシナリオは、主に**GraphQLプロトコルレベルの攻撃**です：バッチクエリ、深い再帰、エイリアスの悪用、フィールド重複、イントロスペクションの露出。これらにはランタイム/DAST分析が必要です。SEC-AFは現在SASTに焦点を当てています。プロトコルレベルの検出はロードマップにあります。

</details>

## 仕組み

SEC-AFは [Composite Intelligence](https://github.com/Agent-Field/agentfield) の哲学に基づいて構築されています。単一のモノリシックなLLM呼び出しに依存する代わりに、多数の焦点を絞ったガイド付きLLM呼び出しを、**リーズナーDAG** に構成します。このDAGでは、アーキテクチャ自体が知能をエンコードしています（このパターンの詳細については、[The Atomic Unit of Intelligence](https://www.santoshkumarradha.com/writing/atomic-unit-of-intelligence) を参照）。各LLM呼び出しは、平坦なPydanticスキーマ（2〜4属性）を持つ、小さく明確に定義されたタスクを処理します。オーケストレーターはコンテキストフロー、並列処理、動的ルーティングを管理します。

### アーキテクチャ：リーズナー呼び出しグラフ（DAG）

すべてのフェーズは `@reasoner` であり、AgentFieldコントロールプレーンを介してサブリーズナーを呼び出し、特定のクエリに対して合計約200〜300のエージェントが同期的に動作します。