Anthropic 推出 OSS Scanner：開源項目要先計清 AI 漏洞報告成本

圖片：TechLab 自製資訊圖

TechLab 編輯部（譯）·2026-10-08

Anthropic 推出名為 OSS Scanner 的服務，讓自願參與的開源項目免費接受定期安全掃描。公司表示，掃描會使用其最強模型，包括 Claude Mythos，產生潛在漏洞報告。對維護人手有限、又缺乏持續安全審查能力的項目，這或可增加發現可疑問題的頻率；不過，服務不設人手覆核或分流，模型生成的報告仍要由項目自行判讀。

這意味著 OSS Scanner 提供的不是已確認漏洞清單，而是一批需要項目自行判讀的線索。Anthropic 已明言，報告可能錯誤或無效。香港的開發者、學校團隊及開源維護者若日後考慮採用，重點不應只放在「免費掃描」四字，而是要預先安排誰負責重現、判級、回覆及關閉報告；否則，新增的訊號量很可能同時變成新增的維護工作。

掃描加快，驗證工作沒有消失

從公布內容看，OSS Scanner 的運作邏輯是以模型換取較快及較頻密的檢查：項目選擇加入後，可獲定期掃描，再接收模型認為值得注意的安全發現。這種做法適合把 AI 視為初步檢視工具，例如協助維護者從龐大程式碼庫中找出值得優先查看的位置，而非把報告直接視為修補指令。模型可提出假設，漏洞是否存在、可否觸發及影響範圍多大，仍需由熟悉程式碼與部署環境的人確認。

沒有人工 triage 的取捨尤其清晰。供應商毋須先由分析員逐項篩選，因而可把輸出更快交給更多項目；但錯誤報告、缺少脈絡的報告，以及重複或難以重現的報告，也會直接落到維護者手上。分析而言，掃描頻率愈高，未必等於安全成效按比例提高：若團隊未能把結果轉成可驗證、可排序的工作項目，實際效果可能只是 issue queue 變長，甚至令真正高風險問題被噪音掩蓋。

哪些開源項目較能承受這種輸出

有固定維護流程的項目，較可能從這類服務得到實際價值。舉例說，項目若已有安全聯絡渠道、漏洞處理政策、測試環境，以及能夠快速判斷改動是否造成回歸的程序，便可將 AI 報告當作額外的輸入來源，先集中檢查權限控制、資料處理或其他較敏感的程式路徑。這並非意味 AI 報告必然可靠，而是團隊已有機制把不確定的發現轉化為可驗證的個案。

相反，單靠少數志願者維持、issue 已堆積或缺乏自動化測試的項目，要審慎衡量加入後的負擔。每一份報告至少涉及閱讀、重現、判斷是否屬安全問題，以及向提交方或使用者溝通；即使最後確認為誤報，時間亦已花掉。對這些項目而言，較合理的做法是先設定內部收件與優先次序，例如只處理附有清晰重現步驟、影響說明及相關程式位置的個案，而不是讓模型輸出直接進入公開討論區。

這個判斷亦與近期開源社群的處境相呼應。The Verge 指出，AI 工具近月曾協助找出重大開源軟件安全缺陷，包括 5 月影響幾乎所有 Linux 發行版的「Copy Fail」漏洞；但同時，部分項目正難以應付突然湧現的 AI 生成漏洞報告，Linus Torvalds 及 Google 亦曾面對相關壓力。兩件事可以同時成立：AI 有機會找到重要缺陷，但大量未驗證輸出也會令維護流程失速。這正是 OSS Scanner 最需要被獨立觀察的地方。

香港團隊採用前要問的三件事

對香港的開源團隊而言，首要問題是服務資格與可用範圍。原始報道只說明服務面向選擇加入的開源項目，未交代具體資格條件、支援地區或本地安排；因此，不能據此假定所有本地 repository 均可使用。團隊應以官方實際申請頁面及條款為準，確認項目是否符合資格，以及掃描的頻率、交付方式和可控制的設定，才決定是否將其納入既有安全流程。

第二是資料處理。報道沒有說明掃描時會如何取得、保留或使用程式碼及相關資料，也未交代私有設定、憑證或其他敏感資訊可否被排除。開源並不代表所有營運資料都適合交給外部系統分析；即使程式碼公開，CI 設定、測試資料或 issue 內容仍可能含有不宜外流的線索。採用者應在交出任何資料前，仔細核對官方的資料處理說明與項目自身的披露政策。

第三是報告分流責任應由誰承擔。可把 OSS Scanner 視為一個持續產生候選問題的來源，並指定至少一名負責人先檢查可重現性、受影響版本與安全影響，再決定是否開立正式漏洞個案或提交修補。若項目缺乏這個關口，免費工具的節省，很容易被回應誤報的時間抵銷；即使掃描工作可由工具協助，項目仍應安排人手核實報告及決定後續處理。

下一步看準確率與維護者負荷

Anthropic 的公布重點是擴大免費及定期的模型掃描，但現階段沒有在原始報道中提供漏洞發現率、誤報率或維護者處理成效等獨立數據。因此，外界較值得追蹤的，不只是有多少項目加入，而是報告中有多少能被可靠重現、能否縮短修補時間，以及小型維護團隊會否因報告量增加而承受更大壓力。若未來有項目公開其處理經驗，這些實際流程數據會比單看模型名稱更能判斷服務的價值。