Uber ADR 实战：给 Claude Code、Cursor 与 Codex 加上统一安全监控

核心结论

Uber ADR 提供了一套开源的安全监控框架，能够统一采集和分析 Claude Code、Cursor 与 Codex 等 AI Agent 的意图、工具调用和执行轨迹，帮助企业识别提示注入和高风险行为，提升 AI Agent 的安全防护能力。

• ADR 通过 Agent 轨迹采集，实现对多 Agent 统一监控。
• 结合 ADR-Bench 与检测器，支持自动评估提示注入风险。
• 开源版本不含 Prevention 模块，需结合其他防护方案使用。
• 适合企业安全团队、平台工程师及 AI Agent 开发者使用。
• 提供详细实战流程与配置步骤，便于快速落地。

通过统一的安全监控体系，企业能够更全面地掌握 AI Agent 的运行状态与潜在风险，及时响应安全事件，降低因提示注入或异常行为导致的安全事故。

背景与变化

随着 AI Agent 技术的快速发展，Claude Code、Cursor 与 Codex 等多种 Agent 被广泛应用于代码生成、自动化任务和交互式工具中。这些 Agent 在提升工作效率的同时，也带来了新的安全挑战，尤其是提示注入攻击、恶意工具调用和执行链路异常等问题，可能导致敏感信息泄露、系统权限被滥用，甚至引发严重的安全事件。

Uber 开源的 ADR（Agent Detection and Response）项目，旨在为多 Agent 提供统一的安全监控方案，通过采集 Agent 的意图、工具调用和执行轨迹，实现对潜在威胁的实时检测和响应。该项目不仅支持多种主流 Agent，还提供了灵活的检测器和风险评估工具，帮助企业构建多层次的安全防护体系。

当前，ADR 的开源版本主要聚焦于数据采集与风险检测，尚未包含自动阻断的 Prevention 模块，企业在实际应用中需要结合自身安全策略和其他防护工具进行补充。本文将基于官方仓库（https://github.com/uber/ADR）详细介绍 ADR 的核心功能、实战流程及配置步骤，帮助读者快速掌握并应用该方案。

核心功能拆解

ADR 的核心功能主要包括以下几个方面：

1. Agent 意图采集：通过对 Agent 输入输出的监控，捕获其交互意图，便于后续分析和溯源。该功能支持多种数据格式，确保不同 Agent 的交互信息均能被完整采集。
2. 工具调用追踪：记录 Agent 调用的外部工具和 API，追踪执行链路，帮助识别异常调用和潜在风险。
3. 执行轨迹管理：整合 Agent 多轮交互和工具调用的执行轨迹，形成完整的行为链路，方便安全团队进行行为分析和事件回溯。
4. 风险检测与评估：利用 ADR-Bench 和检测器，对提示注入和高风险行为进行自动化评估，结合规则和机器学习模型提升检测准确率。
5. 统一安全监控平台：支持多 Agent 统一接入和管理，方便企业集中监控与响应，提升安全运营效率。

需要注意的是，开源版本暂不包含 Prevention 模块，无法直接阻断攻击行为，需结合其他安全措施。

适用人群

本教程适合以下用户：

• 企业安全团队：负责 AI Agent 安全监控与风险管理，需构建统一监控体系，提升安全事件响应能力。
• 平台工程师：搭建和维护 AI Agent 平台，需集成安全监控和日志采集，保障平台稳定和安全。
• AI Agent 开发者：开发 Claude Code、Cursor、Codex 等 Agent，关注 Agent 行为安全与合规，确保产品安全交付。

通过学习本教程，用户可以掌握 ADR 的部署与使用方法，提升 AI Agent 的安全防护能力，降低安全风险。

实战流程

实战流程分为以下几个关键步骤：

1. 环境准备：确保具备 Python 3.8+ 环境，安装必要依赖，准备好网络和权限配置。
2. 仓库克隆与配置：从官方仓库拉取代码，配置 Agent 与监控参数，确保各 Agent 的接入信息准确无误。
3. Agent 集成：将 Claude Code、Cursor、Codex 等 Agent 接入 ADR 采集模块，完成数据采集接口的对接。
4. 轨迹采集与存储：启动监控服务，实时采集 Agent 意图和工具调用轨迹，数据存储于安全可靠的数据库中。
5. 风险检测：利用 ADR-Bench 和检测器分析采集数据，识别提示注入和高风险行为，生成风险报告。
6. 结果展示与告警：通过统一平台查看检测结果，配置告警策略，实现异常行为的及时通知和响应。

完成以上流程后，企业即可实现对多 Agent 的统一安全监控，提升整体安全态势感知能力。

配置与使用步骤

以下为详细配置与使用步骤：

1. 安装依赖：
   在终端执行 pip install -r requirements.txt 安装项目依赖，确保环境一致性。
2. 配置 Agent 参数：
   编辑 config/agents.yaml，添加 Claude Code、Cursor、Codex 的接入信息，包括 API Key、调用端点、认证方式等，确保信息安全存储。
3. 启动采集服务：
   执行 python run_collector.py 启动轨迹采集服务，监控 Agent 交互数据流。
4. 运行检测器：
   执行 python run_detector.py，利用 ADR-Bench 对采集数据进行风险评估，支持自定义检测规则。
5. 查看监控面板：
   访问本地或远程监控界面，实时查看 Agent 行为和风险告警，支持多维度数据分析。
6. 配置告警规则：
   根据企业需求调整检测阈值和告警策略，确保及时响应安全事件，支持邮件、短信等多种告警方式。

更多详细参数和高级配置，请参考官方文档及 aistacknav.com 的 安装部署教程。

案例场景

以下为典型应用场景示例：

• 代码生成平台：利用 ADR 监控 Codex 生成代码过程，防止提示注入导致恶意代码注入，保障代码质量与安全。
• 自动化运维：通过采集 Cursor 工具调用轨迹，识别异常操作行为，保障系统安全，防止误操作或恶意攻击。
• 多 Agent 协同工作：统一监控 Claude Code 与其他 Agent 交互，及时发现潜在风险，确保多 Agent 协作环境的安全稳定。
• 安全审计与合规：利用 ADR 采集的完整执行轨迹，支持安全审计和合规检查，满足企业合规要求。
• 异常行为溯源：通过执行轨迹管理，快速定位异常行为源头，辅助安全事件调查与处置。

对比分析

下表对比了 Uber ADR 与其他主流 AI Agent 安全监控方案的特点：

风险限制

尽管 Uber ADR 提供了强大的监控和检测能力，但仍存在以下限制：

• 开源版本不包含 Prevention 模块，无法自动阻断攻击，需结合其他安全工具。
• 依赖采集数据的完整性，若采集不全可能漏报风险，影响检测效果。
• 检测器基于规则和模型，存在误报和漏报风险，需要持续优化。
• 对复杂多变的攻击手法响应有限，需结合人工分析和其他安全措施。
• 部署和维护需要一定的技术门槛，企业需具备相关能力。

因此，建议企业在部署 ADR 的同时，配合其他安全防护措施，形成多层次安全防线，提升整体安全保障能力。

落地建议

为确保 Uber ADR 在企业环境中的有效落地，建议：

• 结合企业现有安全体系，规划统一监控与响应流程，确保安全事件快速响应。
• 定期更新检测规则和模型，提升风险识别准确率，适应新型攻击手法。
• 加强对 Agent 调用链的日志管理，保证数据完整性，支持安全审计和溯源。
• 培训安全团队和开发者，提升安全意识和应急能力，形成安全文化。
• 关注 aistacknav.com 的 实战工作流栏目，获取最新实战经验与工具更新，持续优化安全方案。
• 结合业务场景，定制化安全策略，确保监控系统与业务需求高度契合。

深入实战案例解析

为了更好地理解 Uber ADR 在实际应用中的价值，下面通过一个详细的实战案例进行解析，展示如何在企业环境中落地并发挥作用。

案例背景

某大型互联网企业采用 Claude Code 和 Codex 进行代码自动生成和审查，Cursor 用于自动化运维任务。随着业务规模扩大，安全团队发现存在提示注入风险，可能导致恶意代码注入和系统权限滥用。为此，决定引入 Uber ADR 进行统一安全监控。

实施步骤

1. 需求调研：安全团队与开发部门协作，明确监控目标和风险点，确定重点防护的 Agent 类型和行为。
2. 环境搭建：按照 ADR 官方文档部署采集和检测服务，配置 Agent 信息，确保数据采集完整。
3. 规则定制：基于企业业务特点，调整检测规则，增加针对特定提示注入模式的识别能力。
4. 数据分析：通过监控平台实时查看 Agent 行为轨迹，结合 ADR-Bench 生成的风险报告，识别异常交互和潜在威胁。
5. 告警响应：配置多渠道告警，确保安全事件第一时间通知相关人员，快速响应和处置。
6. 持续优化：根据安全事件反馈，调整检测模型和规则，提升监控的精准度和覆盖面。

成效总结

• 成功识别多起提示注入攻击，避免了潜在的代码安全风险。
• 实现了多 Agent 行为的统一监控，提升了安全事件的可视化和响应速度。
• 通过完整的执行轨迹，辅助安全审计和合规检查，满足监管要求。
• 增强了安全团队与开发团队的协同，形成闭环的安全管理流程。

该案例充分体现了 Uber ADR 在企业多 Agent 安全管理中的实用价值和落地潜力。

技术架构详解

Uber ADR 的架构设计注重模块化和扩展性，主要包括以下组件：

• 数据采集层：负责从各类 Agent 中采集交互数据和工具调用信息，支持多协议和数据格式，保证数据的完整性和实时性。
• 数据存储层：采用高性能数据库存储采集的轨迹数据，支持快速查询和历史回溯，保障数据安全与稳定。
• 风险检测层：集成 ADR-Bench 和多种检测器，基于规则引擎和机器学习模型，对采集数据进行风险评估和异常检测。
• 告警与响应层：支持多种告警方式，结合企业安全运营流程，实现事件的及时通知和响应。
• 管理与展示层：提供统一的监控面板和管理接口，方便安全团队查看数据、配置规则和分析风险。

这种分层架构不仅提升了系统的可维护性和扩展性，也方便企业根据自身需求进行定制和集成。

安全风险与防范策略

在部署 Uber ADR 时，企业需关注以下安全风险及对应防范策略：

• 数据泄露风险：采集的 Agent 交互数据可能包含敏感信息，建议采用加密传输和存储，严格权限管理，防止数据泄露。
• 误报与漏报问题：检测规则和模型可能存在误判，需结合人工复核和多源数据，持续优化检测策略。
• 系统性能压力：实时采集和分析大量数据可能带来性能瓶颈，建议合理规划资源，采用分布式部署和负载均衡。
• 安全事件响应滞后：告警配置不合理可能导致响应延迟，需设计合理的告警策略和自动化响应流程。
• 合规风险：采集和存储数据需符合相关法律法规，特别是涉及用户隐私和数据保护的要求。

通过科学规划和严格管理，企业可以有效降低上述风险，保障 ADR 系统的安全稳定运行。

团队落地建议

为确保 Uber ADR 在企业中顺利落地，团队应关注以下方面：

• 跨部门协作：安全团队、开发团队和运维团队需紧密合作，明确职责分工，共同推动安全监控体系建设。
• 培训与知识普及：定期开展安全培训，提升团队对 AI Agent 安全风险的认知和应对能力。
• 持续监控与优化：建立持续监控机制，定期评估系统效果，及时调整检测规则和告警策略。
• 文档与流程规范：完善部署文档和操作流程，确保系统维护和升级的规范性和可追溯性。
• 引入自动化工具：结合自动化运维和安全工具，提高事件响应效率，减少人为失误。

通过以上措施，企业能够更好地发挥 Uber ADR 的安全价值，保障 AI Agent 应用的安全稳定。

FAQ

什么是 Uber ADR？

Uber ADR 是 Uber 开源的一套 AI Agent 安全监控框架，支持采集 Agent 意图、工具调用和执行轨迹，结合检测器进行风险评估，帮助企业提升 AI Agent 的安全防护能力。

ADR 支持哪些 AI Agent？

目前主要支持 Claude Code、Cursor 与 Codex 等多种 Agent，方便企业统一监控多 Agent 行为，实现多 Agent 协同安全管理。

开源版本是否包含防护模块？

开源版本不包含 Prevention 模块，无法自动阻断攻击行为，企业需结合其他安全措施，如防火墙、访问控制等进行补充。

如何集成 ADR 到现有平台？

通过配置 agents.yaml 添加 Agent 信息，启动采集和检测服务，并接入统一监控平台即可。具体步骤详见本文配置章节和官方文档。

ADR 能检测哪些风险？

主要检测提示注入攻击和高风险行为，帮助企业及时发现潜在安全威胁，防止敏感信息泄露和恶意操作。

如何应对误报和漏报？

建议定期调整检测规则，结合人工复核和多维度数据分析，提升检测准确率，减少误报和漏报的影响。

事实依据与来源

本文内容基于 Uber 官方开源仓库 https://github.com/uber/ADR，并结合 aistacknav.com 的 AI Agent 安全实战教程整理，内容核验日期：2026-08-06。