Автор не согласен с мнением Mandiant и Google. Публикации носят научно-исследовательский характер.
Mandiant · 18 августа 2026
Агентный разбор исходников против враждебного ИИ
Когда украденный исходный код попадает к противнику с machine-speed ИИ, защитникам нужно находить дыры быстрее. Mandiant описывает внутренний Agentic Vulnerability Discovery Harness (AVDH) — оркестрацию агентов плюс экспертизу консультантов.
Зачем harness
Ограничить хаос LLM структурированным конвейером
Авторы Alex Tselevich и Michael Maturi подчёркивают: одна модель без каркаса непредсказуема. Harness на Google ADK ведёт агентов детерминированной последовательностью — как waterfall: threat modeling → entry points → enrichment → гипотезы → валидация → человеческая проверка. Контекст дают SBOM, инвентарь, архитектура и threat intelligence.
За 10 месяцев использования AVDH в IR по украденным репозиториям harness находил свыше ста true-positive критических уязвимостей за два дня. На масштабе — десятки миллионов строк кода, тысячи пайплайнов; результат включает 12 назначенных CVE (в том числе CVE-2026-13242, CVE-2026-55803) и ещё дюжину в disclosure.
Пайплайн
От threat model до гипотез
Explorer и Specialist Explorer строят модель угроз (authn/authz, routing и др.), синтез отдаётся консультанту на approve gate. Discovery-агенты на лёгкой модели извлекают HTTP/IPC entry points и источники пользовательского ввода. Enrichment собирает распределённый контекст (санитайзеры, права) по цепочкам вызовов.
Access Control и Data Flow агенты генерируют гипотезы (missing authz, CSRF, SQLi, XSS, command injection, path traversal) с Confidence Filter. Валидация идёт несколькими агентами с повышенной temperature плюс synthesis; исходы: confirmed / disproven / rejected относительно threat model.
Человек и знания
Снижение FP и FN
Подтверждённые findings дедуплицируются и risk-rate’ятся, затем эксперт динамически проверяет путь атаки; непрошедшие отбрасываются. Для false negatives — иерархия distilled rules: домен ПО → язык / фреймворк / класс уязвимости, как skills engineering на базе опыта Mandiant.
Бенчмарки — собственные синтетические кодовые базы с вручную подтверждённой достижимостью уязвимостей, чтобы избежать contamination публичных датасетов. Grading agent плюс human review измеряют регрессии при смене промптов.
Для защитников
Двухслойная стратегия
AVDH ориентирован на точечный глубокий разбор (IR, pentest, red team). CodeMender даёт непрерывный AI-скан и патчинг; вместе они закрывают и сложные цепочки, и повседневный lifecycle. Google AI Threat Defense упаковывает похожие возможности для заказчиков.
Рекомендация внедряющим похожие harness: не доверять «зелёным» AI-находкам без dynamic validation; кормить агентов богатым организационным контекстом; держать human gates на threat model и на финальных findings.
# defensive orchestration sketch — code review harness gates
stages:
- threat_model: require_human_approve: true
- entry_point_discovery: model: flash-lite
- enrichment: follow_call_graph: true
- hypothesis: confidence_filter: consultant-tuned
- validation: multi_agent_then_synthesis: true
- expert_validation: dynamic_repro_required: true
outputs:
- risk_rated_findings
- discarded_unreproducible
companion: CodeMender continuous scan