DocSentinel

用途

DocSentinel 是一个 AI 驱动的 SSDLC（安全软件开发生命周期）平台，面向安全团队。它自动执行软件开发生命周期全部六个阶段的安全活动，由 LangGraph 编排、LangChain 驱动的智能 AI 智能体完成。它自动审查安全相关文档、表单和报告——从需求、设计到开发、测试、部署和运维——将输入与你的策略和知识库比对，生成包含风险、合规差距和修复建议的结构化评估报告。

它不只是发布前阶段审查文档，而是从第一天起就嵌入安全。

主要能力

SSDLC 全生命周期覆盖

六个专用 AI 智能体，每个都有阶段专属技能、提示词和知识库集合。可运行单个阶段，也可运行完整的端到端 SSDLC 评估：

• 需求：安全需求、合规映射、初始风险分析。
• 设计：架构审查、STRIDE/DREAD 威胁建模、SDR。
• 开发：安全编码标准、代码审查发现。
• 测试：SAST/DAST 报告分诊、渗透测试评估。
• 部署：发布就绪、配置安全、加固。
• 运维：事件响应、漏洞监控、日志审计。

自动化安全评估

提交安全问卷、设计文档或审计报告，DocSentinel 使用配置的 LLM 分析并识别：

• 安全风险：按严重程度分类（严重、高、中、低）。
• 合规差距：对照 ISO 27001、PCI DSS 等框架的缺失控制。
• 修复步骤：修复已识别问题的可操作建议。

治理与合规工作流

PallasGuard 治理能力已作为一等项目工作流合并进 DocSentinel：

• 策略包：generic-ssdlc 加上八个公共覆盖层，分别对应 NIST SSDF、MAS TRM、ISO 27001:2022、EU AI Act、ISO 42001、中国 MLPS 2.0、OWASP SAMM 和 EU CRA。
• 门禁工作流：Gate 1/3 问卷、提交、审批、审计和证据跟踪流程，由 SQLModel 和 Alembic 迁移支持。
• 控制生成：框架覆盖层生成适用的 SCD 控制和预期证据，不替换 DocSentinel 现有的评估引擎。
• Pallas Lens：项目就绪度评分，在 React 治理门户中汇总控制覆盖、证据深度和后续行动。

智能体编排（LangGraph）

• 结构化工作流：LangGraph 节点分离上下文收集、起草、证据审查、模式转换和治理持久化。
• 跨阶段可追溯性：设计阶段的威胁链接到测试阶段的测试用例和运维阶段的监控规则。
• 条件路由：智能体根据项目风险级别、合规要求或用户选择激活。
• 人在回路：智能体创建的评估进入审查队列，不能自行批准。
• 计划中的加固：显式计划门禁、持久化 LangGraph 检查点和可恢复执行在开发路线图中跟踪。

威胁证据审查（Threat Evidence Critic）

设计阶段的 STRIDE 威胁在一次推理过程中独立对照当前上传的架构文档检查：

• 每个威胁获得 supported、contradicted 或 insufficient_evidence 判定，附支持分数和面向审查者的理由。
• 证据引用使用内容哈希加稳定行定位符，并包含评估工作台中显示的精确源摘录。
• 只接受当前项目文档段落。虚构、缺失、策略或历史引用不能使威胁看起来被支持。
• 验证失败安全弃权为 insufficient_evidence；所有判定仍需人工审查。
• 无需训练或微调流水线。审查器使用配置的 OpenAI、Anthropic、Qwen、DeepSeek、兼容或本地运行时模型。

RAG 知识库

上传组织的安全策略、标准和过往审计。阶段专属集合确保每个智能体检索最相关的上下文：

• 需求：合规框架、安全策略
• 设计：威胁目录、安全模式
• 开发：安全编码标准（OWASP）
• 测试：漏洞数据库、修复指南
• 部署：CIS 基准、加固指南
• 运维：CVE 数据库、事件手册

API 优先，支持 MCP 与 A2A

使用本地 React 控制台进行人工审查，通过 REST API 集成 CI/CD 流水线，或通过 MCP 向 AI 智能体（Claude Desktop、Cursor、OpenClaw）暴露相同的评估能力。A2A 兼容平台可将评估任务委托给 DocSentinel 作为专业安全智能体。

可复现评估工具

DocSentinel 包含 evals/ 工具，无需经过 HTTP 或 UI 即可对照公共和未来黄金数据集衡量评估质量。首个实现路径覆盖 OWASP Benchmark v1.2 SAST 分诊：

• 数据集卫生：原始基准数据本地获取到忽略路径；只提交获取脚本、校验和、清单和微型测试夹具。
• 直接流水线执行：运行器以 phase="testing" 和 skill_id="ssdlc-testing" 调用 AssessmentService.submit()，匹配生产任务语义同时保持自包含。
• 硬键评分：M1 对基于 CWE 的二元分诊评分，含准确率、精确率、召回率、F1 和假阳性率，无 LLM 评判。
• 威胁接地评分：证据审查评分器衡量判定准确率、支持精确率/召回率/F1、矛盾召回率、弃权率、引用有效性和完整判定混淆矩阵。
• 评分卡：每次运行在 evals/reports/<run_id>/ 下写入机器可读的 scorecard.json 和人类可读的 scorecard.md。

使用方式

DocSentinel 是 React 控制台 + FastAPI 应用，有三条受治理的入口路径：面向控制台和 CI 的 REST API、面向编码智能体的 MCP 工具、面向远程智能体委托的 A2A JSON-RPC。这些入口汇聚到同一个 AssessmentService、LangGraph 评估流水线、知识库和人工审查生命周期。

本地 React 控制台将主要工作流集中到一个操作界面：

• 指挥中心：实时 API 和 LLM 状态、评估吞吐量、审查需求、修复队列和近期活动。
• 评估工作台：上传项目文档、选择 SSDLC 阶段/技能、检查 AI 生成的风险并完成人工审查。
• 治理门户：创建项目、应用公共框架覆盖层、生成控制、提交证据并跟踪 Pallas Lens 就绪度。
• 知识库：摄取策略和标准用于 RAG 支持的审查。
• 智能体集成：向编码智能体和多智能体平台暴露受治理的 MCP 和 A2A 工具，不授予批准权限。
• 设置：切换 DeepSeek、OpenAI、Anthropic、Qwen 或 Ollama 等提供商；API 密钥本地接受，仅显示掩码预览。

数据流（简化）：安全人员在 React 控制台工作；REST 客户端调用 /api/v1/*；编码智能体通过智能体网关调用 MCP 或 A2A。REST 写入路径使用 JWT/RBAC 依赖。智能体协议使用 bearer 网关令牌或仅回环开发访问。LLM 成本高的 POST 路径按 IP 或 bearer 令牌限流。评估提交进入 AssessmentService，创建异步任务，解析上传或已批准的本地文档，应用护栏，并调用 LangGraph 评估流水线。LangGraph 流水线加载所选技能，将不可信文档内容包装为数据，从 KB 检索策略/历史/证据上下文，向 LLM 请求草稿/审查文本，并将结果转换为结构化评估模式。确定性服务对治理决策保持权威：策略包模式、S2O 规则引擎、控制适用性和模式验证在 LLM 输出进入审查队列前交叉检查。当评估链接到项目时，发现作为 Gate 3 控制证据持久化。治理工作流随后使用同一 SQLModel 存储处理项目、控制、提交、审计日志、Pallas Lens 评分和导出。KB 将块持久化在 Chroma 中，可选图工件在 LightRAG 中，并保留先前评估历史以供复用。运行时 LLM 设置从 .env 加 llm_config.json 加载，每个提供商基础 URL 在客户端构建前由网络护栏检查。

适用场景

适合需要在多个项目和 SSDLC 阶段扩展安全评估、而不按比例增加人力的企业。可集成到本地安全审查工作流、CI/CD 流水线、AI 智能体和多智能体平台，且不授予外部智能体批准权限。

限制

• 智能体创建的评估进入审查队列，不能自行批准；所有判定仍需人工审查。
• 外部智能体不获得批准权限。
• 威胁证据审查只接受当前项目文档段落，虚构、缺失、策略或历史引用不能使威胁看起来被支持。
• 验证失败安全弃权为 insufficient_evidence。
• 部分能力（如显式计划门禁、持久化 LangGraph 检查点、可恢复执行）在开发路线图中标记为计划工作，尚未实现。
• 关于收费、价格、平台支持范围等具体信息，资料中暂未提供。