谷歌开源Mantis框架：以代理协同与分层建模压低漏洞扫描误报率

从误报困局切入的代理式漏洞治理思路

在AI辅助代码审查日益普及的当下，安全团队面临的一个突出矛盾是：扫描工具虽然能快速覆盖海量代码，却频繁输出大量虚假漏洞，真正有价值的发现比例偏低。谷歌近期开源了一款名为Mantis的AI代理框架，试图从漏洞生命周期的整体视角重构这一流程，覆盖识别、验证、重现到修复的完整链路，而非停留在单点扫描层面。

谷歌方面披露，传统基于AI的代码扫描工具普遍存在高误报和虚假漏洞问题，真阳性率甚至低于7%。Mantis的设计初衷正是针对这一短板，通过多代理协同与沙箱化验证机制，在提升检出可信度的同时抑制噪声。

分层上下文建模与多角色代理闭环

与暴力遍历文件的方式不同，Mantis会先分析代码库历史、既有安全修复记录、架构信息以及威胁模型，再将分析结果组织为包含目录层级与代码库级上下文的分层树结构。谷歌称，这一做法在保留关键结构信息的前提下，将令牌使用量减少了85%，为后续代理推理提供了更经济的上下文基础。

在代理协作层面，Mantis引入了四类角色形成闭环验证：

• 批评者代理与审查者代理：过滤误报，并对有意义的发现进行优先级排序；
• 策略师代理：评估高层代码结构、威胁模型与依赖关系图；
• 研究者代理：通过内部代码搜索深入检查原始源文件，追踪数据流、控制流与数据净化逻辑。

此外，Mantis会在沙箱环境中重现发现结果，以安全可控的方式提供可验证证据，证明漏洞真实存在，而非仅依赖大语言模型的单一判断。这一机制被视为降低误报的关键补充。

模块化技能套件与模型分级策略

Mantis采用模块化技能套件架构，内置超过15种工具，可顺序或并行执行，例如mantis-summarize、mantis-review、mantis-critic等。各阶段之间通过读写磁盘上的共享状态进行通信，便于编排与扩展。

在模型选择上，该框架支持多种模型，并允许针对不同阶段组合使用不同类别的模型。谷歌建议，不必在每个阶段都调用最复杂的前沿模型：对于不需要深层逻辑推理的任务，可使用flash或lite变体，例如用mantis-researcher做快速分类，或用mantis-dedupe对相似文本模式进行聚类；而需要深度上下文理解与零样本问题解决能力的任务，则更适合更强模型，例如编写功能崩溃重现程序的mantis-reproduce，以及生成无副作用修复方案的mantis-patch。

针对误报治理，Mantis设置了mantis-review阶段，应用基于规则的反向过滤器剔除可能的误报。但谷歌同时提醒，该过滤器应谨慎使用，不应将低风险发现自动归类为误报，因为过于宽泛的反向过滤可能削弱系统检测真实漏洞的能力。

开源落地与工程化影响

目前Mantis已在GitHub上开源，谷歌同步提供了智能代理参考指南，其中详细说明可用的阶段、阶段间契约以及使用该框架的最佳实践。从行业视角看，Mantis所代表的趋势是：漏洞扫描正从单一模型判断转向多代理分工、上下文分层与可验证证据链的组合。这种架构能否在真实生产环境中稳定压低误报率，仍有待更多独立验证，但其对DevSecOps流程中AI代理角色划分与成本控制的探索，已为同类工具提供了可参考的工程样本。