近日，悬镜安全旗下新一代 AI 原生安全治理产品“问境 AIST ”首发通过中国信通院“可信AI云”大模型安全扫描产品能力评估。该结果表明，悬镜安全在面向大模型、智能体与 AI 应用的安全扫描、风险识别和治理能力建设方面，已形成可验证、可落地的产品化能力，也标志着悬镜在 AI 驱动的数字供应链安全治理方向取得进一步突破。 

悬镜安全·大模型安全扫描产品能力检验证书

近期行业内接连出现供应链安全事件，也再次印证 AI 原生安全与供应链安全已进入深水区。2026 年 3 月 25 日，Apifox 官方发布安全通告，其公网 SaaS 版桌面客户端因外部 JS 文件被恶意篡改，遭遇供应链攻击。在 2026 年 3 月 4 日–22 日期间使用该客户端的用户，存在本地 SSH 密钥、Shell 历史、Git 凭证等高敏感信息被窃取并上报至恶意域名的风险。 此类事件表明：现代开发工具、AI 应用、依赖链与插件生态一旦被突破，将直接导致密钥泄露、权限失守、代码与配置被窃取等严重后果，企业亟需覆盖开发、构建、部署、运行全流程的 AI 原生安全体系。

值得关注的是，这是面向大模型安全扫描产品的一次系统性检验。随着大模型、智能体、MCP 服务和 AI Skills 加速进入企业研发、交付与业务运行环节，AI 安全问题已不再只是传统的软件漏洞问题，而是迅速扩展到模型来源与血缘、组件依赖、提示词注入、密钥泄露、影子模型接入、工具调用失控以及运行阶段越权执行等一系列 AI 原生风险。企业真正需要的，也不再是单一的检测工具，而是一套能够覆盖开发、部署、运行与治理全过程的安全能力体系。

正是在这一背景下，中国信通院结合大模型安全实践经验，牵头撰写《大模型安全扫描产品能力要求》标准，并围绕可部署性、隔离与运维能力、报告与告警治理流程、IDE 与开发流程集成、CI/CD 与自动化运维能力、修复与闭环能力、AI 红队安全测试、AI 供应链风险审查、AI 智能体代码审查以及权限认证与审计等多个维度展开综合评估。相比传统安全能力评测，这一评估更加贴近企业真实落地场景，对产品完整性、技术系统性和工程化能力都提出了更高要求，也因此具备更强的行业参考价值。

《大模型安全扫描产品能力要求》标准部分

首创多模态 AIST 技术体系

AI 原生场景构建系统化安全检测与治理能力

面对 AI 应用安全边界持续外扩的现实，悬镜安全围绕 AI 数字供应链安全，持续推进从风险发现、验证到预警、治理的全流程能力建设。作为 AI 原生安全治理的核心平台，问境 AIST 基于首创多模态 AIST 技术，面向 AI 模型文件、模型项目、智能体代码、运行态模型、MCP 服务及 AI Skills 等对象开展安全检测与风险识别，覆盖 AI 模型扫描、AI 代码安全护栏、AI 红队渗透、AI 智能体审计和 AI 供应链情报预警五大方向。

不同于传统安全工具侧重单点漏洞发现，问境 AIST 更强调对模型、代码、组件、提示词、工具链和运行环境的联合审查与全局分析，帮助企业从 AI 原生视角识别、关联并治理分散风险，建立更完整的安全可视能力。

悬镜安全首创多模态 AIST 技术

在模型治理层面，平台可识别模型来源、血缘关系、组件依赖、模型文件风险及许可证合规问题，帮助企业厘清模型“从哪里来、依赖了什么、是否可控、是否合规”，补齐 AI 供应链治理短板。

随着 Vibe Coding、智能编程协作等新型开发模式快速进入研发流程，安全问题也进一步前移。围绕这一变化，问境 AIST 将代码安全护栏嵌入 AI 原生开发过程，针对提示词拼接、模型调用、插件接入、外部 API 使用和敏感信息管理等关键环节建立安全边界，为 Vibe Coding 筑牢安全底座。

当 AI 应用进一步走向 Agentic 化，企业面临的挑战已不只是代码漏洞，更在于智能体是否会以不安全的方式调用工具、访问资源并执行高风险任务。基于这一判断，问境 AIST 将审查对象延展到智能体源代码、MCP 与 Skills 的调用关系及上下游依赖，重点识别提示词注入、敏感信息泄露、影子模型接入、不安全工具调用、外部 API 滥用等 AI 原生风险。

与此同时，悬镜安全也在 AI 红队渗透方向形成了接近真实攻击环境的安全验证能力。通过对越权调用、提示词操控、数据泄露等典型问题进行主动验证，平台帮助企业在 AI 系统上线前尽早识别高风险点，推动安全能力从“事后修补”转向“前置验证”。

AI 智能代码漏洞挖掘

推动安全治理前移至开发与构建阶段

如果说多模态 AIST 解决的是 AI 应用整体风险识别与治理问题，那么 AI 智能代码漏洞挖掘能力，则进一步将安全治理前移到开发与构建阶段。

在 AI 原生开发模式下，越来越多风险不是在上线后才暴露，而是在编码阶段就已埋下。提示词拼接不当、模型调用失控、插件接入过宽、外部 API 滥用、敏感信息硬编码、影子模型混入项目等问题，都会随着构建、测试和交付被持续放大。尤其随着 AI 辅助开发、Agentic Coding、Vibe Coding 等新模式快速普及，企业面对的已不只是“代码有没有漏洞”，而是“AI 生成或参与生成的代码、配置与调用链是否安全”。

围绕这一趋势，悬镜安全持续深化 AI 智能代码漏洞挖掘能力建设。相关能力基于 AI 模型推理开展未知漏洞挖掘、逻辑漏洞检测、风险分析与验证，并结合自动化修复和误报控制机制，进一步提升漏洞发现与处置效率。相比传统规则匹配式检测，这种能力更适合应对 AI 原生开发环境下复杂、多变、强上下文关联的新型安全问题。 

这一能力的价值，不仅在于提升漏洞发现率，更在于帮助企业更早识别那些传统工具难以捕捉、却会在 AI 应用场景中持续放大的风险，真正把安全能力前移到编码、构建和交付之前。 

AI 供应链安全情报体系

构建持续预警与治理能力闭环

AI 安全的复杂性，还在于其风险来源并不只存在于应用本身，而是大量分布在模型、组件、框架、依赖、插件和外部服务组成的供应链体系中。企业要真正建立 AI 安全能力，就不能只做单次扫描，而必须形成持续感知、持续预警、持续治理的能力闭环。

为此，悬镜安全在 AI 供应链风险预警方向持续深耕，形成了面向 AI 数字供应链的安全情报体系。悬镜云脉 AI 数字供应链安全情报平台融合多类情报渠道，并结合 AI、策略与专家运营体系，对漏洞、投毒、许可风险、组件断供等安全事件进行持续跟踪、分析与分发，可实现漏洞与投毒信息预警、修复建议提供、组件安全评估、SBOM 关联分析和风险优先级重定义，帮助企业持续提升 AI 供应链风险感知与治理效率。

这一能力的核心价值，在于将 AI 安全从“发现问题”推进到“持续运营问题”。当企业引入的模型、框架、开源组件、插件和外部服务不断变化时，真正重要的已不再是某一次扫描报告，而是能否持续掌握风险变化、识别高优先级威胁，并将这些风险及时纳入修复与治理流程。悬镜安全构建的 AI 供应链安全情报体系，正是在为企业提供这样一套持续性的安全底座。