Google 開源 AI 代理漏洞掃描框架 Mantis，結合沙盒重現機制並降低 85% Token 消耗
為解決傳統 AI 掃描真陽性率低於 7% 的問題，Mantis 採用多代理架構與模組化工具，支援依任務混搭不同大小的模型。
AI 前線單一來源
完整日報
AI 日報 2026-09-13
26 則值得知道的變化
26 則值得知道的變化
為解決傳統 AI 掃描真陽性率低於 7% 的問題，Mantis 採用多代理架構與模組化工具，支援依任務混搭不同大小的模型。
Agent 框架的「啟動稅」與快取命中率是成本黑洞主因。實測顯示，同模型下各框架任務成功率相差 20%，Token 消耗差距卻高達 70 倍。
Boris Cherny 指出原型開發可將 AI 程式碼視為黑箱，但生產環境需導入自動審查與測試等防護機制，避免系統難以維護。