MakerChecker：给 AI Agent 装上安全扫描器

当 AI 代理自主生成代码时，谁来检查这些代码的安全性？AI 生成的代码可能包含硬编码密钥、SQL 注入漏洞、不安全的依赖——这些问题如果流入生产环境，后果严重。MakerChecker 模式应运而生：一个 AI 代理（Maker）负责生成代码，另一个独立代理（Checker）负责安全审查。

为什么需要 MakerChecker

传统的代码审查依赖人类开发者，但当 AI 代理以每分钟数百行的速度生成代码时，人工审查成了瓶颈。让同一个 AI 代理"自我审查"也有问题——模型存在认知盲点，它生成代码时的偏见会延续到审查阶段。

图1：MakerChecker 架构——生成与审查分离，使用不同模型族减少共同盲点

Checker 代理扫描什么

Checker 代理专注于以下安全维度：

• 硬编码敏感信息：API 密钥、数据库密码、JWT secret 等被直接写入代码
• 注入漏洞：SQL 注入、XSS、命令注入
• 不安全的依赖：引入已知有漏洞的第三方包
• 认证/授权缺陷：缺失权限检查、不安全的 session 管理
• 数据泄露：错误日志输出敏感信息、API 返回过多数据

图2：Checker 代理的安全扫描覆盖率——5 大维度，90% 检出率

关键设计决策

MakerChecker 最重要的设计决策是使用不同模型族。如果 Maker 用 GPT-5.6，Checker 应该用 Claude 或 Gemini。原因是：同一模型族存在相似的训练偏见和认知盲点，如果 Maker 忽略了某种漏洞模式，同族 Checker 大概率也会忽略。

另一个关键决策是Checker 不共享对话历史。Maker 的上下文可能包含用户的业务逻辑和需求描述，这些信息虽然有助于生成代码，但可能影响安全判断的客观性。Checker 只看到生成的代码本身，以"陌生人视角"进行审查。

[关联推荐]

• OpenAI GPT-5.5-Cyber -- AI 自动修复开源漏洞
• 阿里巴巴禁止 Claude Code -- 企业 AI 安全审查实践
• MCP 模型上下文协议 -- AI Agent 与工具通信的统一标准

---