用途：对代码变更做基于大模型的安全分析，识别潜在零日漏洞，目标可为提交、拉取请求、文件或分支，支持 light（单提交）、standard（多提交）、deep（整分支）三种模式。
主要能力：通过 MCP 工具 analyze_for_zero_day_vulnerabilities 调用，支持 commit_sha、pr_number、file_path、diff、full_repo 等输入；整仓扫描可设 max_commits、since_date、since_days、branches。分析选项包括 mode、max_cost_usd 预算上限、provider（openai/anthropic/gemini）、model，以及 link_to_graph（关联知识图谱做影响面分析）、save_to_db、stream_tokens（实时成本可见）、return_reasoning。结果会给出漏洞类型、严重级别、置信度、受影响代码、概念验证、知识图谱上下文与修复建议，并可提供后续动作（分析相关提交、持续监控、生成报告、导出）。
使用方式：在对话中提出“扫描提交 abc123 的漏洞”或“检查 PR #1234，预算 $0.20”即可触发；也可用 REST API：POST /api/v1/zeroday/analyze/light、POST /api/v1/zeroday/analyze/full-repo、POST /api/v1/zeroday/scans/launch，用 GET /api/v1/zeroday/scans/{scan_id} 查询状态、GET /api/v1/zeroday/scans/{scan_id}/stream 以 SSE 流式获取更新。当 MCP 工具不可用时，可按变更文件语言加载 ../security-reviewer/languages/{python,javascript-typescript,go,java,rust,ruby,dotnet}.md，并套用 ../security-reviewer/SKILL.md 的 8 点检查对 diff 做降级评审。默认：light 模式、预算 $0.10、provider 为 openai、模型 gpt-4o-mini（light）与 gpt-4o（standard/deep）、link_to_graph 与 save_to_db、stream_tokens 均为 true。
适用场景：代码评审中做安全评估、提交或 PR 的漏洞排查、文件安全自查、仓库范围内的批量扫描与持续监控。
限制：可能把防御性写法误报为漏洞；深度分析成本较高（约 $0.20–$1.00/次）；light 模式仅限提交 diff、缺少完整代码库上下文；受 GitHub API 与模型提供方速率限制；费用、平台、效果等未提供的不作推断。