📌 项目地址：uber/ADR | ⭐ 604 颗星 | 🔧 Python | 📜 未标注
Uber开源了一个AI Agent安全系统，叫ADR（Agentic AI Detection and Response）。两个事实值得关注：它在Uber生产环境实际运行中，论文被MLSys 2026接收。这不是paper-only的项目。
AI Agent的行为模式和传统工具差异很大。员工用Cursor、Claude Code写代码，Agent有权限、有工具、能执行一串操作。传统端点安全和数据防泄漏覆盖不到这一层。ADR要解决的就是这类场景下的安全监控和检测问题。
Detection：先粗筛，再双Agent深查
Detection的架构是两层的。第一层是高召回率的三级（triage），快速分流大量会话。第二层才是有深度的推理：两个Agent协同分析可疑会话，判断是否存在威胁。
这层设计的出发点是成本。LLM推理不便宜，企业会话量巨大，不可能每个会话都跑两个Agent深查。先用粗筛过滤，只对可疑子集做深度分析，这是有实际约束的路线。
默认检测器是adr，即ADR双Agent模式。跑起来需要ANTHROPIC_API_KEY和OPENAI_API_KEY两个环境变量。它的核心判断是LLM推理，不是规则引擎——这意味着持续使用有API成本，部署前要算这笔账。
Sensor：跨工具采集遥测
Sensor管观测，采集Agent的意图、工具调用和执行轨迹。覆盖7种以上AI编码工具（Claude Code、Cursor、Codex等），支持macOS、Linux、Windows三个平台。同时也采集内部自动化和客户支持类Agent的数据。
Sensor的价值是提供一个统一格式的数据源。检测和评测都依赖它，这是地基层。
ADR-Bench：300+任务、133个MCP服务器
ADR-Bench是一个评测库，规模做了出来：300多个测试任务，133个MCP服务器，覆盖全部17种Agent攻击技术。
我试了下用它来评估安全产品：你完全可以将这套基准直接跑在你的检测系统上，看它对恶意工具调用的识别率。相比自己攒攻击样例，这个分类法已经系统化了。
动手跑一遍
README给的命令很简单：
git clone https://github.com/uber/ADR
cd ADR/Detection
uv sync
export ANTHROPIC_API_KEY="..." OPENAI_API_KEY="..."
没有API key的时候，可以用--detector llamafirewall做无key冒烟测试。完整的评估流程（解压打包的benchmark、跑检测、复现论文图表）在docs/REPRODUCIBILITY.md里。
开源边界
有几个限制要清楚：
- Prevention层未开源。这是阻止危险操作的部分，README只说了”stay tuned”，没给时间表。
- ADR Explorer不在仓库里。论文里提到的离线加固引擎（部署前红队测试用）没有包含在开源范围内。
- Detection依赖LLM API，不是本地规则引擎。
- Star数604，项目还处于早期普及阶段。
我的评估
ADR是当前少有的生产级Agent安全参考实现。三层开源能力各自独立可用：Sensor可以作为观测层参照，ADR-Bench可以直接拿来给自己系统打分，Detection的双层架构给出了一个兼顾准确率和成本的范本。
如果你所在团队已经在跑AI编码工具且安全团队在找监控方案，ADR值得完整跑一遍评估流程。Prevention还没开源，阻断能力要等官方后续发布。