AI 驱动的安全副驾驶，在您编码时捕捉漏洞。为开发者提供实时安全扫描、教学式解释和自动修复。
CodeGuard Copilot 在你编写代码时捕获安全漏洞，而不是在你提交之后。它将确定性正则表达式模式检测与 AI 驱动的深度分析以及来自 Raven/WraithWall 生态系统的实时攻击者情报相结合，为你提供其他 VS Code 安全扩展无法提供的上下文。
它的独特之处：
.codeguard.json 自定义规则配置 — 正则表达式、严重性、CWE、按文件
│ │ │ │
│ │ ┌─────────────┐ ┌────────────────┐ │ │
│ │ │ Knowledge │ │ Raven Bridge │ │ │
│ │ │ Graph │ │ ← attacker data │ │ │
│ │ │ finding→CWE │ │ → threat intel │ │ │
│ │ │ →MITRE→fix │ │ │ │ │
│ │ └─────────────┘ └────────────────┘ │ │
│ └──────────────────┬───────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────┐ │
│ │ Developer Feedback │ │
│ │ QuickFix · Explain · Suppress · Fix │ │
│ │ Training · Report · CI/CD │ │
│ └──────────────────────────────────────┘ │
│ │
└──────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────┐
│ WraithWall / Raven │
│ │
│ Cowrie Honeypot → Attacker Telemetry │
│ Campaign Correlation → Behavioral DNA │
│ CISA KEV → OWASP → Composite Scoring │
│ Cross-Repo Systemic Patterns │
│ Dark-Web Breach Monitoring │
└──────────────────────────────────────────────┘
---
## Raven 情报桥
CodeGuard Copilot 是 Raven 攻击者遥测流水线的**前端情报消费者**。当 Cowrie 蜜罐观察到真实攻击者使用漏洞利用技术时，这些模式会流入 CodeGuard：
Attacker uses SQL injection on honeypot ↓ Raven detects: CWE-89, credential_access, threat_score=85 ↓ RavenIntelBridge.ingestEvent() receives event ↓ Generates candidate CodeGuard pattern at confidence 0.85 ↓ Proposed pattern: "SQL Injection (attacker-observed)" ↓ Human review → published as CodeGuard rule ↓ Developers protected against the actual exploit
反之，当 CodeGuard 发现漏洞时，它会生成结构化的 Raven 反馈：
CodeGuard finding: CWE-798 hardcoded secret in auth/login.js ↓ RavenThreatFeedback.generateIntelligence() ↓ MITRE techniques: T1552, T1078 ↓ Raven priority score: 72 (network attack vector, low complexity) ↓ Raven elevates this finding in composite scoring ↓ SOC team sees: "Attacker-aligned credential finding in production repo"
---
## 检测到的漏洞类别
### 严重
SQL 注入（CWE-89）、命令注入（CWE-78）、NoSQL 注入（CWE-943）、硬编码密钥（CWE-798）、不安全反序列化（CWE-502）
### 高危
XSS（CWE-79）、基于 DOM 的 XSS、路径遍历（CWE-22）、文件上传（CWE-434）、弱加密（CWE-327）、不安全块（Rust）、未转义 HTML（Go）
### 中危
CORS 配置错误（CWE-942）、开放重定向（CWE-601）、不安全随机数（CWE-338）、ReDoS（CWE-1333）、内存泄漏（C++）、批量赋值（Ruby）
### 低危
弱密码存储、Express Trust Proxy、缺失安全头、框架反模式
### 语言特定（18 个新增）
Go：SQLi、不安全随机数、硬编码密钥、未转义 HTML
Rust：不安全块、硬编码密钥、命令注入、弱加密
C++：缓冲区溢出、内存泄漏、SQL 注入
C#：SQL 注入、连接字符串、不安全反序列化
Ruby：SQL 注入、命令注入、批量赋值、不安全 YAML
---
## 微调安全模型（v0.3.1）
CodeGuard 的微调模型（`Niffy90/codeguard-security-7b`）是 **Qwen2.5-7B-Instruct** 上的 LoRA 适配器，在 8 个类别的 32 个安全漏洞模式上训练：
- **模式 1（默认 — HF Router API）：** 无需 GPU。使用 HuggingFace 最快的推理提供商，配合自定义安全系统提示。
- **模式 2（本地 GPU — `CODEGUARD_LOCAL_MODEL=1`）：** 加载微调后的 LoRA 适配器，使用 QLoRA 4 位量化。需要约 5GB GPU 显存。
```bash
# Local GPU inference
CODEGUARD_LOCAL_MODEL=1 codeguard scan app.py
# Or via Python
CODEGUARD_LOCAL_MODEL=1 python3 -c "
from codeguard import CodeGuardEngine
engine = CodeGuardEngine(use_local_model=True)
findings = engine.scan_file('app.py')
print(findings)
"
训练数据集： 来自 WraithWall 蜜罐网络的 1,666 个样本（500 个会话）、OpenPhish + URLhaus（500 个钓鱼 URL）、CISA KEV（500 个 CVE）以及良性样本（166 个）。通过 QLoRA 在 T4 GPU 上训练。
git clone https://github.com/niffyhunt/codeguard-copilot.git
cd codeguard-copilot
npm install
npm run compile
# Press F5 in VS Code to launch Extension Development Host
pip install raven-guard
raven-guard scan .
raven-guard scan app.py --severity critical,high
raven-guard scan . --format sarif --output results.sarif
raven-guard doctor
{
"codeguard.enableRealtime": true,
"codeguard.scanDelay": 500,
"codeguard.aiProvider": "groq",
"codeguard.enableAI": true,
"codeguard.enablePlugins": true,
"codeguard.enableTraining": true,
"codeguard.severityFilter": ["critical", "high", "medium"]
}
{
"version": "0.1.0",
"customPatterns": [{
"id": "my-custom-rule",
"type": "Custom: Unsafe Function",
"severity": "high",
"regex": "eval\\\\(.*userInput",
"languages": ["javascript"],
"message": "eval() with user input detected",
"cwe": "CWE-95"
}],
"severityOverrides": { "SQL Injection": "critical" },
"excludedPaths": ["vendor/", "node_modules/", "*.test.ts"]
}