agentseal

AI 에이전트를 위한 보안 툴킷. 레드팀 프롬프트, MCP 중독 탐지,
스킬 파일 스캔, 유해 데이터 흐름 추적. 28개 에이전트에서 225개 이상의 테스트.

문서 · MCP 레지스트리 · 대시보드 · 블로그

빠른 시작

pip install agentseal    # 또는: npm install agentseal
agentseal guard          # API 키 없이 머신 스캔

끝입니다. AgentSeal은 사용자 머신의 모든 AI 에이전트에서 위험한 스킬 파일, 중독된 MCP 서버 설정, 데이터 유출 경로를 찾아냅니다.

시스템 프롬프트를 적대적 공격에 대해 테스트하고 싶으신가요?

agentseal scan --prompt "You are a helpful assistant..." --model ollama/llama3.1:8b  # 무료, 로컬
agentseal scan --prompt "You are a helpful assistant..." --model gpt-4o              # 클라우드

각 명령어는 무엇을 하나요?

*Ollama와 함께 무료로 사용 가능합니다. 클라우드 제공업체(OpenAI, Anthropic 등)는 API 키가 필요합니다.

Guard

사용자 머신의 모든 AI 에이전트 설정을 스캔합니다. API 키, 네트워크 호출이 필요 없으며 모든 것이 로컬에서 실행됩니다.

지원 에이전트: Claude Code, Claude Desktop, Cursor, Windsurf, VS Code, Gemini CLI, Codex CLI, Cline, Roo Code, Kilo Code, Copilot CLI, Aider, Continue, Zed, Amp, Amazon Q, Junie, Goose, Kiro, OpenCode, OpenClaw, Crush, Qwen Code, Grok CLI, Visual Studio, Kimi CLI, Trae, MaxClaw.

agentseal guard

Guard는 발견된 모든 파일에 대해 6단계 탐지 파이프라인을 실행합니다:

1. 패턴 시그니처 - 알려진 악성 패턴 (자격 증명 접근, 유출 URL, 셸 명령)
2. 난독화 해제 - 유니코드 태그, Base64, BiDi 오버라이드, 제로 너비 문자, TR39 혼동 문자 디코딩
3. 의미 분석 - 임베딩 유사도(MiniLM-L6-v2)로 패턴을 우회하는 재구성된 공격 탐지
4. 베이스라인 추적 - SHA-256 해시로 마지막 스캔 이후 설정 변경 감지 (러그풀 탐지)
5. 레지스트리 강화 - MCP 보안 레지스트리의 라이브 신뢰 점수 (6,600개 이상 서버)
6. 사용자 정의 규칙 - 조직별 정책을 적용하는 YAML 규칙

agentseal guard init             # .agentseal.yaml 프로젝트 정책 생성
agentseal guard --output sarif   # GitHub 보안 탭용 SARIF
agentseal guard --output json    # 기계 판독 가능 출력
agentseal guard --no-diff        # 베이스라인 델타 섹션 건너뛰기
agentseal guard test             # 사용자 정의 규칙 검증

Scan

시스템 프롬프트를 225개 적대적 공격 프로브(82가지 추출 기술, 143가지 주입 기술, 8가지 적응형 변형 변환)로 테스트합니다. 결정론적 신뢰 점수를 반환합니다.

탐지 작동 방식: 주입 프로브는 고유한 카나리 문자열(예: SEAL_A1B2C3D4_CONFIRMED)을 포함합니다. 응답에 카나리가 나타나면 프로브가 유출된 것입니다. 추출 프로브는 실제 프롬프트에 대해 n-그램 매칭을 사용합니다. LLM 판단 불필요 - 동일한 입력, 동일한 결과, 매번 동일합니다.

신뢰 점수 (0–100):

# OpenAI
agentseal scan --prompt "You are a helpful assistant..." --model gpt-4o

# Anthropic
agentseal scan --prompt "You are a helpful assistant..." --model claude-sonnet-4-5-20250929

# Ollama (무료, 로컬)
agentseal scan --prompt "You are a helpful assistant..." --model ollama/llama3.1:8b

# 모든 HTTP 엔드포인트
agentseal scan --url http://localhost:8080/chat

# 파일에서 읽기
agentseal scan --file ./prompt.txt --model gpt-4o

CI/CD

agentseal scan --file ./prompt.txt --model gpt-4o --min-score 75

신뢰 점수가 임계값 미만이면 종료 코드 1. GitHub 보안 탭 통합을 위해 --output sarif 사용.

Scan-MCP

stdio 또는 SSE를 통해 실행 중인 MCP 서버에 연결합니다. 모든 도구를 열거하고 각 설명을 패턴 매칭, 난독화 해제, 의미 유사도, 선택적 LLM 분류를 통해 분석합니다. 서버별 신뢰 점수를 출력합니다.

# stdio 서버
agentseal scan-mcp --server npx @modelcontextprotocol/server-filesystem /tmp

# SSE 서버
agentseal scan-mcp --sse http://localhost:3001/sse

도구 설명 중독을 탐지합니다 - 도구 설명에 포함된 숨겨진 명령이 에이전트가 데이터를 유출하거나, 명령을 실행하거나, 사용자 의도를 재정의하도록 만듭니다.

Shield

에이전트 설정 경로에 대한 실시간 파일 감시기. 위협 발생 시 데스크톱 알림. 감지된 페이로드가 있는 파일을 자동으로 격리합니다.

pip install agentseal[shield]   # watchdog + 데스크톱 알림 의존성 포함
agentseal shield

guard가 스캔하는 동일한 경로를 지속적으로 모니터링합니다. npm install 또는 pip install이 에이전트 설정을 조용히 수정하는 공급망 공격을 탐지하는 데 유용합니다.

작동 방식

graph TD
    U["User"] -->|prompt| A["AI Agent (LLM)"]
    A -->|tool call| M1["MCP Server\n(filesystem)"]
    A -->|tool call| M2["MCP Server\n(slack)"]
    A -->|tool call| M3["MCP Server\n(database)"]

    M1 -->|reads| FS["~/.ssh/\n~/.aws/\n~/Documents/"]
    M2 -->|reads| SL["Messages\nChannels"]
    M3 -->|queries| DB["Tables\nCredentials"]

    SL -.->|"toxic flow"| M1
    M1 -.->|"exfiltration"| EX["Attacker"]

    style U fill:#1a1a2e,stroke:#58a6ff,color:#e6edf3
    style A fill:#1a1a2e,stroke:#58a6ff,color:#e6edf3
    style M1 fill:#3b1d0e,stroke:#f59e0b,color:#e6edf3
    style M2 fill:#3b1d0e,stroke:#f59e0b,color:#e6edf3
    style M3 fill:#3b1d0e,stroke:#f59e0b,color:#e6edf3
    style EX fill:#3b0e0e,stroke:#ef4444,color:#e6edf3
    style FS fill:#1a1a2e,stroke:#30363d,color:#8b949e
    style SL fill:#1a1a2e,stroke:#30363d,color:#8b949e
    style DB fill:#1a1a2e,stroke:#30363d,color:#8b949e

graph LR
    IN["Skill Files\nMCP Configs"] --> P["Pattern\nSignatures"]
    P --> D["Deobfuscation\n(Unicode Tags,\nBase64, BiDi,\nZWC, TR39)"]
    D --> S["Semantic\nAnalysis\n(MiniLM-L6-v2)"]
    S --> B["Baseline\nTracking\n(SHA-256)"]
    B --> R["Registry\nEnrichment"]
    R --> RU["Custom\nRules"]
    RU --> OUT["Report +\nSeverity"]

    style IN fill:#1a1a2e,stroke:#58a6ff,color:#e6edf3
    style P fill:#161b22,stroke:#30363d,color:#e6edf3
    style D fill:#161b22,stroke:#30363d,color:#e6edf3
    style S fill:#161b22,stroke:#30363d,color:#e6edf3
    style B fill:#161b22,stroke:#30363d,color:#e6edf3
    style R fill:#161b22,stroke:#30363d,color:#e6edf3
    style RU fill:#161b22,stroke:#30363d,color:#e6edf3
    style OUT fill:#0d4429,stroke:#22c55e,color:#e6edf3

Python API

from agentseal import AgentValidator

validator = AgentValidator.from_openai(
    client=openai.AsyncOpenAI(),
    model="gpt-4o",
    system_prompt="You are a helpful assistant...",
)
report = await validator.run()
print(f"Trust score: {report.trust_score}/100 ({report.trust_level})")

# Anthropic
validator = AgentValidator.from_anthropic(
    client=client, model="claude-sonnet-4-5-20250929", system_prompt="..."
)

# HTTP 엔드포인트
validator = AgentValidator.from_endpoint(url="http://localhost:8080/chat")