EvoNet-Core：自主 AI 安全代理，自动进行 CVE 分析与补丁生成

phonghhd/EvoNet-AI-Core · Autonomous AI Security Agent leveraging LLMs, RAG, and Knowledge Graphs for automated CVE analysis and auto-patching.

GitHub原文发布未知首次收录 2026-09-20上架 2026-09-20 12:01

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

EvoNet-Core 是一个自主 AI 安全代理项目，持续采集 CVE 数据、分析漏洞并生成防御性代码。它集成了四层 AI 路由故障转移（NVIDIA NIM、Groq、Cloudflare AI、本地 Ollama）、知识图谱与向量检索结合的 Graph RAG（Pinecone + Neo4j）、基于 PPO 的强化学习防御策略、MITRE ATT&CK 映射、EPSS 评分以及人工审批环节，并提供 FastAPI 后端、Web 仪表盘、CLI 工具和 Telegram 机器人接口。项目基于 Python 开发，采用 Apache-2.0 许可。

# AI 智能体 # RAG # 强化学习 # knowledge-graph # cybersecurity

核心能力与快速开始

★ 4 · Python

能做什么: 持续采集 CVE 数据并进行漏洞分析；通过 Graph RAG（Pinecone 向量库 + Neo4j 知识图谱）进行增强检索；四层 AI 路由故障转移（NVIDIA NIM → Groq → Cloudflare AI → 本地 Ollama）；将 CVE 自动映射到 MITRE ATT&CK 技术；集成 FIRST EPSS API 进行漏洞利用预测评分；基于 PPO 的强化学习防御代理，建议防御策略；联邦学习（FedAvg）本地模型微调；主动防御功能包括正则安全护栏、人工审批（Telegram）、攻击模拟器、密钥扫描器和 SBOM 生成器；生产基础设施包括结构化日志、Prometheus 指标、速率限制和 Docker 健康检查；提供 CLI、Telegram 机器人和 GitHub Actions 自动化流程。
适用场景: 安全团队用于自动化 CVE 分析和优先级排序；开发团队用于漏洞扫描和 AI 生成补丁的审批与部署；安全研究人员用于分析 CVE 与 MITRE ATT&CK 技术之间的关联；运维团队用于通过 Telegram 进行 24/7 安全监控与远程控制；组织用于生成 SBOM 和进行密钥泄漏检测。
项目形态: 可直接使用的工具
部署方式: 支持 Docker（docker-compose up -d）和本地开发部署，依赖 Neo4j、Pinecone 和外部 AI API（NVIDIA NIM、Groq、Cloudflare AI 或本地 Ollama），需配置 .env 文件中的 API 密钥。
主要依赖: Python 3.11+，FastAPI、Docker，需要外部 API 密钥（NVIDIA NIM、Groq、Cloudflare AI）及 Pinecone、Neo4j 实例，本地运行需要 Ollama。
使用限制: 项目定位为教育、研究和防御用途，AI 生成的补丁需经版本控制和人工审查后才能用于生产环境；未说明各 AI API 的调用成本和速率限制细节，也未说明硬件要求。
许可证: Apache-2.0
最近推送: 2026-09-20 06:38

官方入门项目文档核对 README 依据 ↗

资料检查：2026-09-20 07:00 · 卡片整理：2026-09-20 12:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

程序员可使用该工具进行代码安全扫描（CLI 支持 evonet scan --path），自动分析 CVE 漏洞并生成防御性补丁，同时通过 MITRE ATT&CK 映射和 EPSS 评分辅助漏洞优先级排序，提升代码审查与安全修复效率。

查看内容依据

EvoNet-Core is an autonomous AI security agent that continuously harvests CVE data, analyzes vulnerabilities, and generates defensive code.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

Fusion：面向任务执行的 AI 聊天工作台，支持多模型与 Agent 工作流

Fusion 是一个面向任务执行的 AI 聊天产品，让 AI 从回答问题走向完成任务：根据用户意图按需选择模型能力与工具，在一次对话中完成搜索、阅读、规划和结构化执行，并分层呈现回答依据与 Agent 执行轨迹。项目采用 Next.js + FastAPI monorepo 架构，后端包含能力路由、Agent runtime、工具、文件与知识库模块，前端提供流式会话、回答依据与轨迹界面；模型目录由 LiteLLM 统一提供，另含管理员侧模型状态、MCP 服务、使用量与脱敏审计等治理能力。

Fortémi：自托管 AI 知识库与混合检索检索增强平台

Fortémi 是一个面向 AI 应用的自托管智能数据库，基于 Rust 与 PostgreSQL 构建。它在统一的规范化 schema 之上集成了 BM25 全文检索、稠密向量检索与 RRF 融合的混合语义搜索，并提供知识图谱、MCP 服务器（44 个 Agent 工具）、多模态数据摄取（图像视觉、音频转写与说话人分离、视频场景分析、3D 模型渲染、邮件与表格解析等 13 类适配器）、131 种文档类型自动识别，以及 Ollama、OpenAI、OpenRouter、llama.cpp 多provider 推理切换。适用于知识管理、检索增强生成（RAG）、智能体记忆和团队文档等场景，支持从纯 CPU 到 GPU 的部署形态。

gemini-bug-hunter：基于 Gemini 的命令行代码安全漏洞扫描与修复建议工具

Gemini Bug Hunter 是一个 AI 优先的命令行工具，利用 Gemini 2.5 Flash 扫描代码库，识别并解释安全漏洞，并给出修复建议，帮助开发者完成应用安全（AppSec）工作流。它支持对指定目录执行扫描、生成详细报告，并提供跨平台（Windows、macOS、Linux）的使用方式。仓库未说明 API 调用成本、具体漏洞覆盖范围或与现有工作流的集成细节。

Cortex：为 AI Agent 构建组织决策记忆图谱并通过 MCP 注入上下文

Cortex 声称是一套面向 AI 原生公司的组织记忆系统。它从 Slack、GitHub、Jira、Linear 等工具中捕获决策，抽取为结构化事件后存入以 Neo4j 为核心的知识图谱，并通过 MCP 服务器、REST API 与 Python SDK（cortex_query / cortex_inject / cortex_remember）在推理时向 Claude、Cursor 等 MCP 兼容 Agent 主动注入相关决策上下文，以减少 Agent 每次从零开始、产生幻觉或需要翻阅历史记录的情况。仓库还提供重要性评分、信任评分、矛盾检测、记忆衰减、RBAC 与 GDPR 删除等功能，并附带 React 仪表盘。README 说明 V1 尚未包含覆盖率评分、结果关联与会议连接器，另有说明文档。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。