本文作者Zoar-yalz浙江大学硕士生研究方向为编译优化、软件分析等。github主页github.com/Zoar-yalz1. 这是什么YASA Checker 是一个 OpenCode 智能体 Skill它把三种分析手段串联成自动化管线静态污点追踪YASA-Engine做精确筛查、模式匹配grep做广撒网、AI 读源码做上下文判定。产出的包确认、哪些误报、附带修复建议的漏洞报告。你可以像这样用它「审查 XX 项目的命令注入漏洞」— 智能体自动安装 YASA、生成规则、跑扫描、做审计、AI 复核最后把报告交到你手里。地址https://github.com/Zoar-yalz/YASA-SKILL2. 为什么需要它一个现实的对比以 OpenHands 项目218 个 Python 文件约 3.3 万行代码为例分析方式发现说明纯 YASA 静态污点追踪0 个漏洞无法追踪 f-string、方法包装器、字符串拼接等运行时模式加 Phase 2pattern grep12 个可疑点捕获了 YASA 盲区但混入了 10 个误报再加 Phase 3AI 审查2 个确认漏洞 10 个排除准确分类自动给出修复方案结论单一分析手段都不够——YASA 精确但覆盖窄grep 覆盖广但噪音大AI 能根据源代码上下文去伪存真。三者组合才能交付可用的结果。YASA 的盲区主要包括f-string 注入subprocess.run(frm {user_input})——YASA 看到的是字符串字面量不是污点流方法包装器抽象workspace.execute_command(user_input)——除非把包装方法加入 sink 配置否则追踪在包装边界断裂跨层调用链A → B → C每一步做部分字符串拼接污点在函数边界稀释3. 架构概览用户输入项目路径、语言、漏洞类型 │ ▼ ┌───────────────────────────────────────────────────────────────┐ │ Phase 1YASA 污点扫描精准手术刀 │ │ AST 级 source→sink 追踪输出 SARIF codeFlow │ │ 强项高精度、证据结构化弱项看不到运行时字符串拼接 │ ├───────────────────────────────────────────────────────────────┤ │ Phase 2Post-Scan Audit猎犬嗅探 │ │ 14 种模式正则 grep → YASA sink 交叉比对 → 污点变量反向追踪 → 评分 │ │ 强项高召回、捕获 YASA 盲区弱项正则追踪会产生误报 │ ├───────────────────────────────────────────────────────────────┤ │ Phase 3AI 上下文审查分诊医生 │ │ 读取源代码 ±15 行 → 判源可控性 → 判定 CONFIRMED/LIKELY/FP │ │ → 覆盖严重度 → 生成修复代码 → 写回 ai_verdict 等字段 │ └───────────────────────────────────────────────────────────────┘ │ ▼ 综合报告YASA 指标 审查后的漏洞列表 修复建议4. 目录结构yasa-skills/ ├── .opencode/ ← OpenCode 插件智能体 命令 Skills 定义 ├── yasa-checker/ │ ├── scripts/ (10 个 Python) ← 管线脚本预检、安装、规则生成、扫描、审计 │ ├── references/ (10 个文档) ← 参考文档规则手册、调试指南、审查协议 │ └── evals/ ← 评估用例 ├── README.md ← 项目主页 ├── AGENTS.md ← 开发者指南 └── DESIGN.zh-CN.md ← 本文件核心脚本按功能分组分组脚本作用环境 安装preflight_yasa.py、install_yasa_release.py、write_local_config.py检测 YASA、安装引擎、写配置规则工程normalize_rule_config.py、validate_rule_config.pyRuleGen → 生成 → 校验Phase 1extract_scan_metrics.py、sarif_to_evidence.py提取扫描指标、SARIF 转证据Phase 2grep_signals.py、taint_trace.py、post_scan_audit.py模式匹配 → 变量追踪 → 评分Phase 3无需脚本智能体推理AI 读源码 → 判源 → 分类 → 生成修复5. 快速上手5.1 环境要求依赖版本说明Python3.9所有脚本支持 Python 3.9YASA-Engine0.3.1自动下载install_yasa_release.pyripgreprg—可选Phase 2 加速检测到自动使用OpenCode—智能体运行时5.2 安装# 1. 安装 YASA-Engine 到 .yasa-tools/ 目录仅首次python yasa-checker/scripts/install_yasa_release.py# 2. 验证环境python yasa-checker/scripts/preflight_yasa.py# 输出{ok: true, mode: full} ← 表示一切就绪5.3 跑一次完整扫描# 方式一通过 OpenCode 命令触发/yasa-checkproject/path/to/targetlanguagepythonvulnPythonCommandInjection# 方式二通过智能体调用yasa-checker audit /path/to/projectforcommandinjection智能体会自动完成预检环境 → 确定模式full / config-only / evidence-only生成rule_config.json定义 sources、sinks、entrypoints运行 YASA 引擎Phase 1运行 post-scan auditPhase 2对每个发现做 AI 上下文审查Phase 3产出综合报告6. 三阶段详解6.1 Phase 1 — YASA 污点扫描角色精准手术刀做 AST 级别的 source→sink 污点追踪。关键概念Source用户可控的输入来源请求体body、查询参数query_params、路径参数path_params、HTTP 头headers等Sink危险函数调用subprocess.run、open、os.remove、httpx.AsyncClient.get等Entrypoint分析的入口函数通常是路由处理函数Taint Flow从 source 到 sink 的变量传递链工作流用户指定项目路径 漏洞类型 → 生成 rule_config.json定义 sources / sinks / entrypoints → validate_rule_config.py 校验配置 → 运行 yasa-engine-linux-x64 → 输出 scan_summary.json report.sarif entrypoints.json → sarif_to_evidence.py 将 SARIF 转为证据 JSONYASA 的局限性无法追踪运行时字符串拼接f-string、拼接、.format()也无法穿透方法包装器抽象。6.2 Phase 2 — Post-Scan Audit角色猎犬嗅探用正则模式匹配捕获 YASA 盲区的漏洞。六步管线grep_signals.py14 种模式 → 交叉比对 YASA sink 配置标记 yasa_blind → 按 (file, line) 去重 → taint_trace.py每条命中做变量反向追踪 → 置信度评分0.01.0 → 输出 audit_findings.json 终端可读表格14 种扫描模式按漏洞类型分组模式 ID匹配目标严重度说明fstring-subprocesssubprocess.run(f...)HIGHf-string 中的用户输入直接拼入命令concat-subprocessos.system(cmd arg)MEDIUM字符串拼接后传入 shellexecute-command-wrapper.execute_command(LOW方法包装器可能是安全封装也可能是裸传shell-trueshellTrueMEDIUMsubprocess 启用 shell 模式fstring-openopen(f...)MEDIUMf-string 作为文件路径pickle-loadspickle.loads(HIGH不安全的反序列化………共计 14 种变量污点追踪taint_trace.py从 sink 行提取被污染的变量 → 在文件内向上搜索该变量的赋值链 → 检测赋值源是否为用户输入request、args、body、form、json、sys.argv等→ 检测是否有消毒处理shlex.quote、.escape()、验证函数等→ 尝试跨函数边界追踪。重要设计选择追踪使用正则而非 AST。优点是跨语言、无外部依赖缺点是无法追踪对象属性、列表推导、装饰器。这是刻意的取舍——这个阶段是高召回率的补充精确度由 Phase 3 的 AI 审查来补偿。6.3 Phase 3 — AI 上下文审查角色分诊医生。用模型推理能力逐个读源码确认哪些是真漏洞、哪些是误报并给出修复方案。为什么不用脚本实现有三个判断是正则和代码做不到的源可控性判断「process.pid是用户可控的吗」— 正则只能匹配字符串模型知道这是操作系统本机进程号不可控上下文模式识别「隔壁第 362 行用了shlex.quote第 300 行怎么没用」— 需要对比同一文件的不同代码区域发现不一致修复代码生成「这里加shlex.quote就好跟 362 行保持一致」— 需要理解项目已有的安全写法并适配到新位置审查流程完整协议见references/ai-review-guide.md读源码按文件分组对每个文件用Read工具读 sink 周围 ±15 行一次覆盖该文件的所有发现判来源变量是从用户输入请求体、设置 API、环境变量来的还是可信源本地整型、硬编码常量、系统路径查清洗路径上有没有shlex.quote、re.match白名单、参数化 API、类型校验归类CONFIRMED— 源可控 未清洗 利用路径直接附上精确的变量 → sink链路LIKELY— 源看上去可控但链路间接差人工确认一步FALSE_POSITIVE— 源不可控引用代码证据说明为什么NEEDS_MANUAL_REVIEW— 模棱两可说明还需要什么信息才能判断调严重度LOW 但源确认可控 → 升为HIGHMEDIUM 确认为误报 → 降为INFO出方案给CONFIRMED和LIKELY生成修复代码优先使用项目里已有的安全写法比如同文件其他地方已经用了shlex.quote就照着来写回去给每条发现加上ai_verdict、ai_rationale、ai_severity、ai_fix字段7. 脚本职责一览脚本输入输出preflight_yasa.py.yasa-agent.json模式判定 JSONinstall_yasa_release.pyGitHub Release URL.yasa-tools/目录normalize_rule_config.pyRuleGen 选择 JSONrule_config.jsonvalidate_rule_config.pyrule_config.json问题列表extract_scan_metrics.pyscan_summary.json指标 JSONsarif_to_evidence.pyreport.sarif证据 JSON含 codeFlowgrep_signals.py源码树 语言命中列表 扫描统计taint_trace.pysink 文件:行号TaintResult源、消毒、跳数post_scan_audit.pygrep 命中 YASA sink 配置audit_findings.jsonwrite_local_config.pyCLI 参数.yasa-agent.json8. 置信度评分模型Phase 2 的每条发现会被打一个 0.01.0 的分数由四个加权因素计算——你可以把它理解为「这个发现有多大可能是真漏洞」的量化评估因素权重判断方式设计理由源可达性0.40taint_trace.py确认用户输入到达 sink 参数最强信号——没有用户输入就不是漏洞而是代码规范问题无消毒0.25追踪路径上缺少shlex.quote、.escape()、validate等消毒过的输入是纵深防御未消毒离利用只一步之遥危险 sink0.20HIGH/ 0.10MEDIUM模式严重度分类os.system和eval本质上比open()更危险直接插值0.15f-string、拼接、.format()或直接变量传递直接插值意味着用户数据未经转换直达 sink计算公式得分 (源可达 × 0.40) (无消毒 × 0.25) (sink危险度 × 权重) (直接插值 × 0.15)置信度分级得分范围标签含义0.70 – 1.00HIGH源已确认 无消毒 危险 sink。很可能可利用优先修复。0.40 – 0.69MEDIUM源追踪不完整但模式可疑。需人工审查。0.00 – 0.39LOW可疑模式但源未确认。信息级——大概率是误报。设计关键源可达性 0.40 的权重确保了没有确认用户输入来源的发现永远不可能达到 HIGH——审计阶段是高召回的评分模型提供了精度控制闸门。9. 扩展指南9.1 添加新的漏洞模式编辑scripts/grep_signals.py在对应漏洞类别下添加新模式# 在 PATTERNS_BY_CLASS[python][command-injection] 中添加{id:my-new-pattern,regex:rdangerous_func\s*\(\s*f\,severity:HIGH,glob:*.py,description:Detects dangerous_func with f-string injection}9.2 添加新语言支持在grep_signals.py中添加PATTERNS_BY_CLASS[your-lang]字典在sink-catalog.md中添加对应语言的 sink 签名在references/中创建your-lang-yasa-rules.md更新post_scan_audit.py中的_PATTERN_TO_SINKS映射9.3 添加新的 sink 类型在sink-catalog.md中添加 sink 函数签名在grep_signals.py中添加匹配该 sink 的正则模式在 RuleGen 选择中注册该 sink 类型9.4 发布新版本# 语法检查所有脚本python3-mpy_compile yasa-checker/scripts/*.py# 打包zip-ryasa-checker-opencode-$(date%Y%m%d).zip\.opencode/\yasa-checker/\-x*.pyc-x__pycache__/*-x.git/*10. 运行效果点击了解【开放式统一多语言程序分析产品YASA】