🌍 English | 日本語 | 简体中文 | 繁體中文

歡迎使用代理治理工具包 !¶

[!IMPORTANT] 公開預覽版 — 此儲存庫中發布的所有套件均為 經 Microsoft 簽署的公開預覽版。它們達到 正式版的品質，但在正式發布 (GA) 之前可能存在重大變更。如有任何意見回饋，請在 GitHub 上提交 Issue。

這個工具包是什麼： 執行期治理基礎架構 — 位於您的代理框架與代理執行操作之間的確定性 策略執行、零信任身份驗證、執行沙箱，以及可靠性工程。

這個工具包不是什麼： 這不是一個用於模型安全或提示詞防護的工具。它不會過濾大型語言模型 (LLM) 的輸入/輸出，也不執行內容審核。它是在應用層對 代理的行為 (工具呼叫、資源存取、 代理間通訊) 進行治理。對於模型層面的安全，請參閱 Azure AI Content Safety。

面向 AI 代理的執行期治理 — 唯一一個涵蓋全部 10 項 OWASP Agentic 風險 並提供 13,000+ 測試 的工具包。它治理的是代理 做什麼，而不僅僅是說什麼 — 包括確定性策略執行、零信任身份認證、執行沙箱，以及網站可靠性工程 (SRE) — 支援 Python · TypeScript · .NET · Rust · Go

適用於任何技術棧 — 支援 AWS Bedrock、Google ADK、Azure AI、LangChain、CrewAI、AutoGen、OpenAI Agents、LlamaIndex 等。只需透過 pip install 即可使用，無廠商鎖定。

📋 入門指南¶

📦 安裝¶

Python (PyPI)

pip install agent-governance-toolkit[full]

TypeScript / Node.js (npm)

npm install @microsoft/agent-governance-sdk

.NET (NuGet)

dotnet add package Microsoft.AgentGovernance

pip install agent-os-kernel        # 策略引擎
pip install agentmesh-platform     # 信任網格
pip install agentmesh-runtime       # 執行期監督器
pip install agent-sre              # SRE 工具包
pip install agent-governance-toolkit    # 合規與認證
pip install agentmesh-marketplace      # 外掛市場
pip install agentmesh-lightning        # 強化學習訓練治理

📚 文件¶

• 快速入門 — 在 10 分鐘內從零開始構建受治理的代理 (Python · TypeScript · .NET · Rust · Go)
• TypeScript 套件 — 提供身份、信任、策略與稽核功能的 npm 套件
• .NET 套件 — 提供完整 OWASP 覆蓋的 NuGet 套件
• Rust crate — crates.io 上的函式庫，包含策略、信任、稽核及 Ed25519 身份
• Go 模組 — 提供策略、信任、稽核與身份功能的 Go 模組
• 教學 — 涵蓋策略、身份、整合、合規、SRE 與沙箱的逐步指南
• Azure 部署 — 支援 AKS、Azure AI Foundry、Container Apps、OpenClaw Sidecar
• NVIDIA OpenShell 整合 — 將沙箱隔離與治理智能相結合
• OWASP 合規 — 完整覆蓋 ASI-01 至 ASI-10 的對應
• 威脅模型 — 包含信任邊界、攻擊面與 STRIDE 分析
• 架構 — 系統設計、安全模型與信任評分
• 架構決策 — 關鍵身份、執行期與策略選擇的 ADR 記錄
• NIST RFI 對應 — 對應 NIST AI Agent 安全 RFI 的對應 (2026-00206)

還有問題嗎？請提交一個 GitHub Issue 或查看我們的 社群頁面。

✨ 亮點¶

• 確定性策略執行：每個代理行為在執行 前 都會根據策略進行評估，延遲低於毫秒 (<0.1 ms)
• 策略引擎 | 效能基準
• 零信任代理身份：基於 Ed25519 的加密憑證，支援 SPIFFE/SVID，信任評分範圍為 0–1000
• AgentMesh | 信任評分
• 執行沙箱：4 層權限環、Saga 編排、終止控制與緊急停止 (kill switch)
• Agent Runtime | 代理虛擬化管理器
• 代理 SRE：包含 SLO、錯誤預算、重播除錯、混沌工程、熔斷機制與漸進式發布
• Agent SRE | 可觀測性整合
• MCP 安全掃描器：偵測 MCP 工具定義中的工具投毒、拼寫劫持 (typosquatting)、隱藏指令與 rug-pull 攻擊
• MCP 掃描器 | CLI
• 信任報告 CLI：agentmesh trust report — 視覺化信任評分、任務成功/失敗情況及代理活動
• 信任 CLI
• 金鑰掃描與模糊測試：基於 Gitleaks 的工作流，包含 7 個模糊測試目標，涵蓋策略、注入、沙箱、信任及 MCP
• 安全工作流
• 12+ 框架整合：支援 Microsoft Agent Framework、LangChain、CrewAI、AutoGen、Dify、LlamaIndex、OpenAI Agents、Google ADK 等
• 框架快速入門 | 整合方案
• 完整 OWASP 覆蓋：針對 Agentic Top 10 風險實現 10/10 覆蓋，每個 ASI 類別均有專屬控制措施
• OWASP 合規 | 競品比較
• GitHub Actions 支援 CI/CD：為 PR 工作流提供自動化安全掃描與治理證明
• 安全掃描 Action | 治理證明 Action

💬 我們期待您的意見回饋！¶

• 如發現 Bug，請提交 GitHub Issue。

快速入門¶

執行策略 — Python¶

from agent_os import PolicyEngine, CapabilityModel

# 定義此代理允許執行的操作
capabilities = CapabilityModel(
    allowed_tools=["web_search", "file_read"],
    denied_tools=["file_write", "shell_exec"],
    max_tokens_per_call=4096
)

# 在每次操作前強制執行策略
engine = PolicyEngine(capabilities=capabilities)
decision = engine.evaluate(agent_id="researcher-1", action="tool_call", tool="web_search")

if decision.allowed:
    # 繼續進行工具呼叫
    ...

執行策略 — TypeScript¶

import { PolicyEngine } from "@microsoft/agent-governance-sdk";

const engine = new PolicyEngine([
  { action: "web_search", effect: "allow" },
  { action: "shell_exec", effect: "deny" },
]);

const decision = engine.evaluate("web_search"); // "allow"

執行策略 — .NET¶

using AgentGovernance;
using AgentGovernance.Policy;

var kernel = new GovernanceKernel(new GovernanceOptions
{
    PolicyPaths = new() { "policies/default.yaml" },
});

var result = kernel.EvaluateToolCall(
    agentId: "did:mesh:researcher-1",
    toolName: "web_search",
    args: new() { ["query"] = "latest AI news" }
);

if (result.Allowed) { /* 繼續執行 */ }

執行策略 — Rust¶

use agentmesh::{AgentMeshClient, ClientOptions};

let client = AgentMeshClient::new("my-agent").unwrap();
let result = client.execute_with_governance("data.read", None);
assert!(result.allowed);

執行策略 — Go¶

import agentmesh "github.com/microsoft/agent-governance-toolkit/agent-governance-golang"

client, _ := agentmesh.NewClient("my-agent",
    agentmesh.WithPolicyRules([]agentmesh.PolicyRule{
        {Action: "data.read", Effect: agentmesh.Allow},
        {Action: "*", Effect: agentmesh.Deny},
    }),
)
result := client.ExecuteWithGovernance("data.read", nil)
// result.Allowed == true

執行治理示範¶

# 完整治理示範 (policy enforcement, audit, trust, cost, reliability)
python examples/demos/maf_governance_demo.py

# 使用對抗性攻擊場景執行
python examples/demos/maf_governance_demo.py --include-attacks

更多範例與樣本¶

• 框架快速入門 — 單檔案受治理代理適用於 LangChain、CrewAI、AutoGen、OpenAI Agents、Google ADK
• 教學 1: Policy Engine — 定義並執行治理策略
• 教學 2: Trust & Identity — 零信任代理憑證
• 教學 3: Framework Integrations — 為任何框架新增治理
• 教學 4: Audit & Compliance — OWASP 合規與證明
• 教學 5: Agent Reliability — SLO、錯誤預算、混沌測試
• 教學 6: Execution Sandboxing — 權限環與終止機制

OPA/Rego 與 Cedar 策略支援¶

將您現有的基礎架構策略引入代理治理 — 無需新的策略 DSL。

OPA/Rego (Agent OS)¶

from agent_os.policies import PolicyEvaluator

evaluator = PolicyEvaluator()
evaluator.load_rego(rego_content="""
package agentos
default allow = false
allow { input.tool_name == "web_search" }
allow { input.role == "admin" }
""")

decision = evaluator.evaluate({"tool_name": "web_search", "role": "analyst"})
# decision.allowed == True

Cedar (Agent OS)¶

from agent_os.policies import PolicyEvaluator

evaluator = PolicyEvaluator()
evaluator.load_cedar(policy_content="""
permit(principal, action == Action::"ReadData", resource);
forbid(principal, action == Action::"DeleteFile", resource);
""")

decision = evaluator.evaluate({"tool_name": "read_data", "agent_id": "agent-1"})
# decision.allowed == True

AgentMesh OPA/Cedar¶

from agentmesh.governance import PolicyEngine

engine = PolicyEngine()
engine.load_rego("policies/mesh.rego", package="agentmesh")
engine.load_cedar(cedar_content='permit(principal, action == Action::"Analyze", resource);')

decision = engine.evaluate("did:mesh:agent-1", {"tool_name": "analyze"})

每個後端支援三種評估模式：內嵌引擎 (cedarpy/opa CLI)、遠端伺服器，或 內建回退 (零外部相依性)。

SDK 與套件¶

多語言 SDK¶

Python 套件 (PyPI)¶

框架整合¶

適用於 20+ 代理框架，包括：

OWASP Agentic Top 10 覆蓋¶

完整對應包含實作細節和測試證據：OWASP-COMPLIANCE.md

法規對應¶

AGT 提供 執行期治理 — 規定代理允許執行的操作。對於 資料治理 和面向監管機構的證據匯出，可參考 Microsoft Purview DSPM for AI 作為補充層。

效能¶

治理額外負荷為 每次操作 < 0.1 ms — 大約比一次 LLM API 呼叫快 10,000 倍。

完整方法論及各轉接器細分：BENCHMARKS.md

安全模型與限制¶

此工具包提供 應用層 (Python middleware) 治理，而非作業系統核心層隔離。策略引擎與其治理的代理執行在 同一個 Python 程序中。這與所有基於 Python 的代理框架 (如 LangChain、CrewAI、AutoGen 等) 使用相同的信任邊界。

正式環境建議： - 將每個代理執行在 獨立容器中，以實現作業系統層級隔離 - 所有安全策略規則以 可設定範例設定 形式提供 — 請根據您的環境進行審查和自訂 (參見 examples/policies/) - 不應將任何內建規則集視為完整 - 詳細資訊參見 Architecture — Security Model & Boundaries

安全工具¶

貢獻者資源¶

• 貢獻指南
• 社群
• 安全政策
• 架構
• Changelog
• Support

重要聲明¶

如果您使用 Agent Governance Toolkit 建立與第三方代理框架或服務協作的應用程式，則需自行承擔風險。我們建議您審查所有與第三方服務共享的資料，並了解第三方在資料保留和資料存放位置方面的做法。您有責任管理您的資料是否會流出組織的合規範圍和地理邊界，以及相關影響。

授權條款¶

本專案基於 MIT License 進行授權。

商標¶

本專案可能包含專案、產品或服務的商標或標誌。Microsoft 商標或標誌的授權使用需遵循 Microsoft's Trademark & Brand Guidelines。在本專案的修改版本中使用 Microsoft 商標或標誌，不得造成混淆或暗示 Microsoft 的贊助。任何第三方商標或標誌的使用，均需遵循該第三方的相關政策。