OpenWorker 新版发布：Andrew Ng 把三类安全智能体塞进完全开源的 harness

DeepLearning.AI 创始人 Andrew Ng 名下的开源智能体项目 OpenWorker 近日发布新版，把重点放在了安全工作流上。这不是 OpenWorker 第一次更新，但方向上从通用智能体明显转向了企业安全场景——这一转向很值得中文开发者留意。

新版最大的变化，是把安全能力做成了开箱即用的内置智能体。原本需要安全团队自己拼凑的工具链，被打包成三类：代码漏洞扫描、依赖供应链注入检测、云安全配置检查。

三类内置安全智能体

代码漏洞扫描对应开发阶段的安全问题，能在代码合并前定位常见漏洞。依赖供应链注入检测针对第三方库和包管理中的潜在恶意代码，这类问题在开源生态里近年频繁出现。

云安全配置检查则覆盖云上资源常见的权限和配置错误。这三块恰好是企业安全团队日常最费时的活。把它们交给 AI 智能体，并不意味着替代安全工程师，但确实能让基础扫描自动化。

完全开源 harness 的意义

OpenWorker 把整套执行框架（harness）完全开源，安全团队可以逐行审计底层逻辑，确认没有隐藏后门。在闭源安全工具横行的市场，这种透明度本身就是卖点，也是和商业产品拉开差异的关键。

对需要保护敏感代码的企业来说，能看到工具到底做了什么，比功能数量更重要。这也是 Andrew Ng 团队特意强调“无后门”的原因——他们很清楚，安全圈的信任成本极高。

本地运行与对中文用户的价值

新版还支持本地运行开源权重模型，敏感代码不需要传到外部服务器，等于把 AI 扫描代码这件事搬回企业内网。这对金融、医疗、政企等数据外传敏感的行业，是非常关键的特性。

对独立开发者和中小公司而言，新版降低了一笔不小的成本。以前要给项目加上代码审计、依赖检查、云配置扫描，往往要采购多家商业产品。现在一个开源智能体就能覆盖入门场景，当然专业红队和合规要求高的企业还需要商业工具补充。

中文用户上手门槛不算高，项目本身开源，文档以英文为主，但配置逻辑相对标准。真正要评估的是本地算力：跑开源权重模型需要 GPU 资源，以及和国内代码托管、CI/CD 系统的集成方式。

后续值得观察

接下来值得看的几个点：OpenWorker 后续会不会引入更多安全场景智能体；社区会贡献哪些自定义工作流；中文语境下，有没有团队把它和国内代码托管、CI 流程打通。如果这三个方向都有进展，OpenWorker 对中文开发者的实际价值会再上一个台阶。