技能文件、规则文件、MCP配置文件。纯文本格式。 commit它像文档一样编写，像文档一样审核，并且会在不知不觉中重写你的人工智能的权限。Xygeni 可以检测到恶意技能、恶意提示和不安全的代理边界，而这些是你的代码扫描器原本无法检测到的。
只读访问权限 · 扫描在您的基础架构中运行 · 您的代码绝不会上传
在您的代码库中发现 AI 代理、提示和 MCP 配置，检测隐藏的风险，并在问题进入生产环境之前优先处理重要问题。
持续、自动地发现您的存储库：模型、框架、数据集、推理端点、代理、MCP 服务器、技能、提示等。 guardrails以及您的开发人员实际使用的AI编码工具。无需调查，无需自我报告。
专用的AI扫描器能够发现AI系统特有的故障：提示注入、工具注入、通过检索泄露数据、绕过系统提示以及过度授权。每项发现都会与您团队已使用的AI安全框架进行匹配，并精确指出导致安全漏洞的代码行。
优先级排序流程会将每项人工智能发现缩小范围，只保留那些可在应用程序代码中访问、真正可利用且存在于团队正在积极开发的代码中的发现。团队会集中精力处理少数真正重要的发现。
从影子人工智能到可审计的库存
查看您的人工智能资产总规模及其风险敞口，并与基准线进行比较，以便了解风险敞口是否在增加。每个资产都有其自身的风险评分、提供商、类型以及在代码中的确切位置。
单独来看，人工智能资产本身意义不大。图表展示了构成风险的各种关系：数据集由哪个模型提供，哪个代理调用哪个工具，哪个 MCP 服务器位于助手背后，以及风险在这条链条上的分布情况。您可以按资产类别、类型、关系或风险级别进行筛选。
导出机器可读的物料清单，供您的人工智能系统使用。该清单基于与库存管理系统相同的持续发现过程生成。当审计员、客户或监管机构询问您正在运行的人工智能系统时，答案是下载文件，而不是耗时三周的手动操作。cise.
技能文件、规则文件和MCP配置文件是 commit这些文件以纯文本形式呈现，并被当作无害文件进行审查，但它们却定义了助手被指示执行的操作以及其被允许访问的范围。Xygeni 将它们作为安全隐患进行分析：它会标记恶意技能和规则文件，检查 MCP 服务器配置，并揭示驱动 AI 工作负载的提示信息。
Xygeni 的 AI 扫描器可以检测 AI 系统特有的、传统代码分析无法检测到的故障模式：恶意操纵工具执行、通过向量存储未经授权检索敏感文档、绕过系统提示、通过精心构造的输入进行越狱、调用不受信任的工具。
每项人工智能漏洞发现都包含框架参考信息、受影响的人工智能资产和工具、漏洞暴露时长、具体文件和代码行号、重要性解释，以及分为通用控制措施和针对该漏洞的具体指导的缓解措施。这不是警报，而是修复方案。
从发现的每个漏洞开始逐步筛选，首先筛选出应用程序代码中的漏洞，然后筛选出可利用的漏洞，最后筛选出正在积极开发中的漏洞。最终提交给团队的列表就是对生产环境构成威胁的漏洞列表。
要全面了解人工智能风险，需要的不仅仅是模型清单，而 Xygeni 已经运行了完善这一清单所需的引擎：
AI 提供商的 API 密钥与其他机密信息一样，Xygeni 的密钥检测功能可以检测出您存储库、配置文件等各个位置的密钥。 pipeline在它们到达公共注册表或构建日志之前。
AI 技术栈构建于普通软件包之上，而普通软件包本身就带有 CVE 漏洞。Xygeni 的软件成分分析能够发现应用程序所依赖的 AI 和 ML 库中存在的已知漏洞，这些漏洞与使用这些库的 AI 资产位于同一平台上。
AI 堆栈能够快速地从多个来源拉取依赖项。Xygeni 的恶意软件检测功能无需等待 CVE 漏洞或公开警告，即可捕获那些基于信誉的工具仍然信任的恶意软件包。
只需一个平台，人工智能问题就能得到完整的答案，而不是从三个不同的工具得到三个不完整的答案。
发现现有安全工具无法发现的 AI 攻击面，并将其与其他应用程序风险一起进行管理。
您的静态分析工具无法识别模型。您的成分分析工具无法列出 MCP 服务器。这并非这些工具的缺陷，它们的设计初衷是为了解决其他问题。Xygeni 可以清点 AI 资产、分析 MCP 配置、标记恶意技能和规则文件，并构建您的 AI 物料清单 (AI-BOM)。
AI 的发现与您的代码、依赖项和秘密并存， pipeline 以及 API 检测结果，所有信息都集中在一个控制台中，并采用统一的优先级模型。人工智能是一个新的攻击面，但这并非需要开发全新工具的理由。 login.
Xygeni 符合当前软件人工智能管理框架：OWASP Top 10 for LLM Applications、MCP 和 Agentic Skills、NIST SP 800-218A 等。 CIS七国集团 (G7) 就人工智能软件物料清单 (SBM) 提供指导。它生成证据，有助于证明相关框架正在得到应用，并支持欧盟人工智能法案、NIS2 和西班牙 ENS 等法规对组织提出的库存和可追溯性要求。
方向已定： SBOM 正在扩展到人工智能物料清单（AI-BOM）领域。你无法证明你没有清点过的东西。
模型、人工智能框架、数据集、推理端点、代理和代理服务器、MCP 服务器、技能、提示、 guardrails以及您各个代码库中使用的 AI 编码工具。
通过持续分析您的代码库：代码、依赖项以及 AI 工具留下的配置文件。无需依赖开发者自行报告他们使用的内容。
人工智能物料清单 (AI Bill of Materials) 是软件中人工智能的机器可读清单，包括模型、数据集、组件、提供商和依赖项。监管机构和 standard各机构都将其视为人工智能治理的证据基础，而你无法证明你没有记录在案的东西。
AI 特有的故障模式包括提示注入和系统提示绕过、工具注入和不受信任的工具调用、通过检索泄露数据以及过度代理，这些故障模式已映射到 OWASP 十大 LLM 应用故障。
是的。每一项发现都会指向相应的文件和行，解释其重要性，并提供缓解措施，包括一般控制措施和针对该发现的具体指导。
这些工具分析代码和依赖关系，但它们无法对人工智能代理的本质、MCP 服务器公开的内容，或者技能文件指示助手执行的操作进行建模。Xygeni 则添加了这一层，并将其与您的其他发现结果保留在同一平台上。
是的。库存会与基线进行对比，因此您可以查看两次扫描之间引入、更改或移除了哪些人工智能。
免费开始体验，或者预约演示，我们将与您一起分析您的人工智能攻击面。
