Multi-layer security analysis engine for AI agents

Project description

AgentMoss

AgentMoss 是一个可被任意 AI Agent 调用的独立通用安全分析服务。基于 OS Profile 机制，自动适配 Linux/Windows 的 syscall 检测模式，提供三层防御安全分析（启发式 → 逻辑规则 → LLM 语义分析）。

v2 更新：新增 OS Profile 系统（Linux/Windows 自适应）、两级快速放行白名单、rm 命令分级检测、脚本内容预扫描、LLM 结果缓存、Provider 自动识别与 Header 注入、fail-closed 安全原则。

v0.4.0 新增：非交互式密码修改检测（passwd/chpasswd/newusers/lnewusers 等）、密码修改授权检测（ask_user_question 前置检查）、内置安全 Skill 白名单（xiaoo-guardian 直接放行）、系统信息命令快速放行（whoami/id/hostname 等 12 个命令）、shell 重定向写入检测、AcTrail 执法事件上报。

v0.5.0 新增：L1/L2 规则收窄减少误杀（sudo 只拦截危险命令、rm -rf /tmp 不拦截、dd/mkfs/format 收窄、/etc/passwd 仅从 L1 移除、git push --force 降级为 medium）、nmap/masscan/zmap 网络扫描检测、lnewusers 批量用户添加检测、L2 通配符删除排除临时目录、用户/组删除授权检测、chgpasswd/lpasswd/gpasswd 检测。

架构

┌─────────────────────────────────────────────────────────────┐
│          调用入口 (HTTP / Unix Socket / Hook)                 │
│  POST /api/v1/analyze                                        │
│  GET  /api/v1/health                                         │
├─────────────────────────────────────────────────────────────┤
│               ObservableAdapter                               │
│  AgentOS 可观测服务 syscall → 标准格式                       │
├─────────────────────────────────────────────────────────────┤
│                OS Profile 选择                                │
│     ┌──────────┐    ┌──────────┐                             │
│     │  Linux   │    │ Windows  │                             │
│     │ Profile  │    │ Profile  │                             │
│     └──────────┘    └──────────┘                             │
├─────────────────────────────────────────────────────────────┤
│          两级快速放行白名单                                    │
│  完全安全 (ls/pwd/echo/whoami/hostname...) → 跳过 L2+L3     │
│  只读敏感 (cat/grep/head...) → 跳过 L3，保留 L2              │
│  内置安全 Skill (xiaoo-guardian) → 跳过 L2+L3                │
│  ★ 安全兜底: 完整命令管道尾部扫描，防止白名单绕过             │
├─────────────────────────────────────────────────────────────┤
│          安全分析引擎 (三层防御)                               │
│                                                              │
│  层1: 启发式静态检测 (<1ms)                                   │
│    ├── 用户自定义规则匹配                                     │
│    ├── 危险命令正则 (38+ 模式，rm 分级检测，sudo 只拦截危险命令) │
│    ├── 非交互式密码修改检测 (| passwd/chpasswd/newusers/lnewusers 等) │
│    ├── → high/critical → 直接 Deny                            │
│    ├── → 内联脚本 file_access 转层3                            │
│    │     （避免 'python -c "cat /etc/shadow"' 假阳性）         │
│    └── Prompt 注入检测 (62 个中英关键词，9 类)                 │
│                                                              │
│  层2: 逻辑规则检测 (<1ms)                                     │
│    ├── Rule 1: read-before-write 原则 (含 shell 重定向检测)    │
│    ├── Rule 2: 意图偏离检测                                   │
│    ├── Rule 3: 敏感路径访问 (含凭据文件 5 条目,               │
│    │          \b 边界匹配避免部分匹配误报)                     │
│    ├── Rule 4: 危险操作模式 (通配符删除/重定向覆盖, 临时目录排除) │
│    ├── Rule 5: 密码修改授权检测 (非交互式需 ask_user_question) │
│    ├── Rule 6: 用户/组删除授权检测 (需 ask_user_question)     │
│    ├── Rule 7: 提权检测 (sudo+危险命令/su/chmod u+s)          │
│    └── Rule 8: 横向移动检测 (ssh/scp/rsync)                   │
│                                                              │
│  层3: LLM + Skill 深度分析 (2-5s)                            │
│    ├── 脚本内容预扫描 (18 个可疑模式，4 组合风险)              │
│    ├── Skill 规则匹配 (12 个 Skill，关键词加权评分)            │
│    ├── LLM 结果缓存 (200 条 FIFO)                            │
│    ├── Provider 自动识别 (15+ Provider)                       │
│    └── LLM 语义安全判断 (fail-closed)                         │
├─────────────────────────────────────────────────────────────┤
│          AcTrail 事件上报 (fire-and-forget)                    │
│  Allow/Deny 决策 → AcTrail SQLite Enforcement 事件            │
└─────────────────────────────────────────────────────────────┘

设计原则

适配在 OS 层，不在 Agent 层 — 不同 Agent 最终都会调用操作系统的 syscall，这是确定性的
标准化 I/O 契约 — 任何 Agent 遵循 API 格式即可接入，无需关心内部实现
fail-closed 安全原则 — LLM 调用失败时默认拒绝，不确定时拒绝
两级快速放行 — 完全安全命令跳过 L2+L3，只读敏感命令跳过 L3，降低性能开销
安全兜底 — 白名单放行前扫描完整命令管道尾部，防止 echo ... | passwd 等绕过
内置 Skill 信任 — 系统安全 Skill（如 xiaoo-guardian）加载时直接放行，不走 LLM 审计
rm 命令分级检测 — 根据 flag 危险度 + 目标路径敏感度分级，/tmp 等临时目录不再拦截
sudo 收窄 — 不再一刀切拦截所有 sudo，只拦截 sudo 后跟的危险命令（rm/chmod/dd/mkfs 等）
内联脚本假阳性防护 — python -c "x = 'cat /etc/shadow'; print(x)" 等字符串字面量中的敏感路径不立即拦截，转层3 LLM 语义判断
凭据文件边界匹配 — credentials.yml、.env 等使用 \b 边界匹配避免非文件名拼接（如 something_credentials_yml）误报
密码修改授权 — 非交互式密码修改（| passwd、chpasswd 等）必须有 ask_user_question 用户授权
Shell 重定向写入检测 — echo data > file 等重定向操作识别为写入，纳入 read-before-write 规则

快速开始

安装

Python (PyPI)：

pip install agent-moss

TypeScript (npm)：

npm install @kenhkl/agent-moss

如需从源码安装：

git clone git@gitcode.com:kenhkl/AgentMoss.git
cd AgentMoss

# Python 版
pip install -e .

# TypeScript 版
cd ts && npm install && npm run build

CLI 使用

# 生成输入模板 (v2: 含 os_type 和 cwd 字段)
agent-moss init -o input.json

# 运行安全分析
agent-moss analyze input.json

# 启动 HTTP 服务 (TCP)
agent-moss server --port 9090

# 启动 Unix Domain Socket 服务（同机部署推荐）
agent-moss server --mode socket --socket /var/run/agent_moss/agent_moss.sock

# 指定配置文件
agent-moss server --mode socket --config /etc/agent_moss/agent_moss.yaml

API 调用

HTTP TCP 方式：

curl -X POST http://127.0.0.1:9090/api/v1/analyze \
  -H 'Content-Type: application/json' \
  -d '{
    "session_id": "test-001",
    "prompt_session": "列出系统文件",
    "action_history": [],
    "a_next": {
      "action_type": "bash",
      "action_detail": "ls -la /tmp"
    },
    "reason": "查看临时目录",
    "os_type": "",
    "cwd": "/home/user"
  }'

Unix Domain Socket 方式（同机低延迟）：

curl --unix-socket /var/run/agent_moss/agent_moss.sock \
  -X POST http://localhost/api/v1/analyze \
  -H 'Content-Type: application/json' \
  -d '{
    "session_id": "test-001",
    "a_next": {
      "action_type": "bash",
      "action_detail": "ls -la /tmp"
    }
  }'

响应示例 (Allow)：

{
  "decision": "Allow",
  "risk_level": "low",
  "risk_type": "",
  "violated_layers": [],
  "confidence": 100,
  "analysis_duration_ms": 10.8
}

TypeScript / Node.js 调用

import { createApp } from '@kenhkl/agent-moss';

const app = createApp();
// 通过 Hono app.fetch 在 Node.js / Bun / Electron 中调用
// 或启动独立服务: npx agent-moss server --port 9090

也可以直接 HTTP 调用：

const resp = await fetch('http://127.0.0.1:9090/api/v1/analyze', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
        session_id: 'sess-001',
        a_next: { action_type: 'bash', action_detail: 'ls -la' },
        os_type: 'linux',
        cwd: '/home/user',
    }),
});
const result = await resp.json();
// → { decision: 'Allow'|'Deny', risk_level: 'low'|'...', ... }

响应示例 (Deny)：

{
  "decision": "Deny",
  "reason": "检测到递归强制删除关键路径 (rm -rf /...)",
  "risk_level": "critical",
  "risk_type": "script_execution",
  "violated_layers": ["1.1"],
  "confidence": 95,
  "analysis_duration_ms": 1.2
}

LLM 配置

AgentMoss 的三层防御中，层3（LLM 语义分析）是可选的。层1+层2 的静态规则可以独立运行。

启用 LLM

方式 1：环境变量（推荐）

export AGENT_MOSS_LLM_API_KEY="sk-your-key"
# 可选：自定义模型和 API 端点
export AGENT_MOSS_LLM_MODEL="glm-5.0"
export AGENT_MOSS_LLM_BASE_URL="https://api.nextapi.store/v1"

方式 2：配置文件

首次运行 AgentMoss 时，会自动在 ~/.config/agentmoss/config.json 创建默认配置文件。编辑该文件：

{
  "llm": {
    "api_key": "sk-your-key",
    "model": "glm-5.0",
    "base_url": "https://api.nextapi.store/v1"
  }
}

配置文件优先级：

环境变量（AGENT_MOSS_LLM_API_KEY 等）— 最高优先级
AGENT_MOSS_CONFIG_PATH 环境变量指定的路径
~/.config/agentmoss/config.json — 首次运行自动创建
包内默认配置

方式 3：YAML 配置文件

通过 --config 或 AGENT_MOSS_CONFIG_PATH 指定 YAML 文件：

agent-moss server --config /etc/agent_moss/agent_moss.yaml

编辑 config/agent_moss.yaml：

llm:
  provider: "zhipu"
  model: "glm-5.0"
  base_url: "https://api.nextapi.store/v1"
  api_key_env: "AGENT_MOSS_LLM_API_KEY"
  temperature: 0.1
  max_tokens: 4096

security:
  llm_analysis:
    enabled: true

禁用 LLM（仅静态规则）

export AGENT_MOSS_DISABLE_LLM=1

支持的 LLM Provider

Provider	URL 匹配	Provider Hint	说明
OpenAI	`api.openai.com`	`openai`	默认模型
Anthropic	`anthropic.com`	`claude` / `anthropic`	Claude 系列
Google	`generativelanguage.googleapis.com`	`google` / `gemini`	Gemini 系列
DeepSeek	`api.deepseek.com`	`deepseek`	DeepSeek 系列
智谱 (GLM)	`open.bigmodel.cn`	`zhipu` / `glm-cn` / `bigmodel`	GLM / CogView
智谱 Coding Plan	`api.z.ai`	`zai-coding-plan`	智谱编程套餐
OpenRouter	`openrouter.ai`	`openrouter`	多模型中转
Groq	`api.groq.com`	`groq`	高速推理
Mistral	`api.mistral.ai`	`mistral`	Mistral 系列
Together	`api.together.xyz`	`together`	开源模型聚合
xAI	`api.x.ai`	`xai` / `xai-grok`	Grok 系列
MiniMax	`api.minimaxi.com`	`minimax`	MiniMax 系列
GitCode	`api-ai.gitcode.com`	`gitcode`	GitCode AI
Ollama	`:11434`	`ollama`	本地模型
任意兼容	—	`other` / `custom` / `local`	任何 OpenAI 兼容 API

自动识别 Provider 后，OpenRouter 和 xAI 会注入特定 HTTP Header（Referer、Title），确保平台正确计费。

AcTrail 集成

AgentMoss 可以将每次安全分析的 allow/deny 决策作为 Enforcement 事件写入 AcTrail 的存储，实现统一的 agent 行为审计。

启用

# 环境变量方式
export ACTRAIL_ENABLED=1
export ACTRAIL_STORAGE_PATH=/tmp/actrail.sqlite  # 默认路径

# 启动 AgentMoss
agent-moss server --port 9090

配置

环境变量	说明	默认值
`ACTRAIL_ENABLED`	设为 `1` 启用上报	未设置（禁用）
`ACTRAIL_STORAGE_PATH`	AcTrail SQLite 数据库路径	`/tmp/actrail.sqlite`
`ACTRAIL_TIMEOUT_MS`	写入超时（毫秒）	`100`

事件格式

AgentMoss 写入 AcTrail 的 events 表，payload 格式为 Enforcement 类型：

{
  "backend": "agent-moss",
  "operation": "tool_call",
  "decision": "allow|deny",
  "result": "allowed|denied",
  "tool.name": "bash",
  "tool.command": "cat /var/log/syslog",
  "agent.session_id": "session-001",
  "agent.prompt": "read log file",
  "risk.level": "low",
  "risk.type": "",
  "reason": "...",
  "violated_layers": "1,2",
  "confidence": "100",
  "duration_ms": "2.3"
}

架构

AgentMoss (Python HTTP)          AcTrail (eBPF daemon)
┌─────────────────┐             ┌─────────────────┐
│ POST /analyze   │             │                 │
│   ↓             │             │  SQLite 存储     │
│ 三层防御分析     │             │  (events 表)    │
│   ↓             │  fire-and-  │                 │
│ Allow/Deny      │──forget────▶│ Enforcement     │
│   ↓             │  写入 SQLite │ 事件落库        │
│ 返回给调用方     │             │                 │
└─────────────────┘             └─────────────────┘
                                        ↓
                               actrailviewer / actrailweb
                               统一查看 agent 行为审计

openEuler 部署

前提

openEuler 22.03 LTS+
Python 3.10+
root 权限

一键安装

sudo dnf install -y python3 python3-pip python3-devel
git clone <repo-url> agent_moss
cd agent_moss
sudo bash scripts/install.sh

配置 LLM（生产环境）

# 写入 API Key（文件权限 600）
echo "AGENT_MOSS_LLM_API_KEY=sk-your-key" | sudo tee /etc/agent_moss/agent_moss.env
sudo chmod 600 /etc/agent_moss/agent_moss.env

# 编辑 LLM model / base_url
sudo vim /etc/agent_moss/agent_moss.yaml

启动方式

# HTTP TCP 模式（默认，适合跨机/调试）
sudo systemctl enable --now agent_moss

# Unix Socket 模式（同机部署推荐，更低延迟）
# 编辑 /etc/agent_moss/agent_moss.yaml 中 server.mode: "socket"
# 或修改 /etc/systemd/system/agent_moss.service 中的 ExecStart

启动与验证

sudo systemctl enable --now agent_moss

# HTTP 模式验证
curl http://127.0.0.1:9090/api/v1/health
# {"status":"healthy","version":"<当前版本，见 pyproject.toml / ts/package.json>"}

# Socket 模式验证
curl --unix-socket /var/run/agent_moss/agent_moss.sock \
  http://localhost/api/v1/health

管理命令

命令	说明
`systemctl start agent_moss`	启动
`systemctl stop agent_moss`	停止
`systemctl restart agent_moss`	重启
`systemctl status agent_moss`	查看状态
`journalctl -u agent_moss -f`	查看日志
`systemctl disable agent_moss`	取消开机启动

防火墙（HTTP 模式需要）

sudo firewall-cmd --add-port=9090/tcp --permanent
sudo firewall-cmd --reload

API 参考

方法	路径	说明
`GET`	`/api/v1/health`	健康检查
`POST`	`/api/v1/analyze`	安全分析

POST /api/v1/analyze

请求体 (v2)：

{
  "session_id": "会话ID (必填)",
  "prompt_session": "原始任务描述 (可选，用于注入检测)",
  "action_history": [{"action_type": "...", "action_detail": "..."}],
  "a_next": {
    "action_type": "bash",
    "action_detail": "cat /etc/passwd"
  },
  "reason": "执行理由 (可选)",
  "os_type": "",
  "cwd": "/home/user/project",
  "metadata": {"agent_id": "...", "sandbox_id": "..."}
}

字段	类型	必填	说明
`session_id`	string	是	会话唯一标识
`prompt_session`	string	否	原始任务描述（层1 注入检测会扫描此字段）
`action_history`	array	否	历史动作序列
`a_next.action_type`	string	是	动作类型 (bash/file_read/file_write 等)
`a_next.action_detail`	string	是	命令/动作详情
`reason`	string	否	执行理由
`os_type`	string	否	`"linux"` / `"windows"`，留空自动检测
`cwd`	string	否	当前工作目录
`metadata`	object	否	扩展元数据

响应字段：

字段	类型	说明
`decision`	string	`Allow` / `Deny`
`reason`	string	决策原因
`risk_level`	string	`low` / `medium` / `high` / `critical`
`risk_type`	string	风险类别 (file_access, script_execution, data_exfiltration, prompt_injection, privilege_escalation, lateral_movement, ...)
`violated_layers`	array	触发的检测层，如 `["1", "2"]`
`violated_policy`	string	违反的具体条款 (Deny 时)
`policy`	string	Cerberus TOML 策略 (Allow 时)
`confidence`	int	置信度 0-100
`analysis_duration_ms`	float	分析耗时（毫秒）

配置

优先级：环境变量 > YAML 配置文件 > 内置默认值

环境变量

变量	说明	默认值
`AGENT_MOSS_LLM_API_KEY`	LLM API Key	未设置
`AGENT_MOSS_LLM_MODEL`	LLM 模型名称	`gpt-4o` (TS) / `anthropic/claude-3.5-sonnet` (Python)
`AGENT_MOSS_LLM_BASE_URL`	LLM API 端点	`https://api.openai.com/v1` (TS) / `https://openrouter.ai/api/v1` (Python)
`AGENT_MOSS_LLM_TEMPERATURE`	LLM 采样温度	`0.1`
`AGENT_MOSS_LLM_MAX_TOKENS`	LLM 最大输出 token 数	`4096`
`AGENT_MOSS_LLM_TIMEOUT`	LLM 单次调用超时（秒），覆盖配置文件 `timeout.prompt1_timeout`	`40`
`AGENT_MOSS_LLM_RETRIES`	LLM 调用重试次数	`2`（共 3 次尝试）
`AGENT_MOSS_DISABLE_LLM`	设为 `1` 禁用层3 LLM	未设置
`AGENT_MOSS_DISABLE_HEURISTIC`	设为 `1` 禁用层1 启发式	未设置
`AGENT_MOSS_DISABLE_LOGIC_RULES`	设为 `1` 禁用层2 逻辑规则	未设置
`AGENT_MOSS_CUSTOM_RULES`	自定义规则 JSON 数组	`[]`
`AGENT_MOSS_ENABLE_POLICY_GEN`	启用 Policy 生成	未设置
`AGENT_MOSS_CONFIG_PATH`	配置文件路径	内置默认
`ACTRAIL_ENABLED`	设为 `1` 启用 AcTrail 事件上报	未设置（禁用）
`ACTRAIL_STORAGE_PATH`	AcTrail SQLite 数据库路径	`/tmp/actrail.sqlite`
`ACTRAIL_TIMEOUT_MS`	AcTrail 写入超时（毫秒）	`100`

配置文件

参考 config/agent_moss.yaml。

自定义规则

通过 AGENT_MOSS_CUSTOM_RULES 环境变量注入自定义正则规则：

export AGENT_MOSS_CUSTOM_RULES='[
  {"pattern": "kubectl delete namespace", "action": "Deny", "severity": "critical"},
  {"pattern": "docker rm -f", "action": "Deny", "severity": "high"}
]'

配置模板

# OS Profile 自动选择
os_profile:
  type: ""         # 留空自动检测，可手动指定 linux / windows

# 服务调用模式
server:
  mode: "http"     # "http" (TCP) 或 "socket" (Unix Domain Socket)
  socket_path: "/var/run/agent_moss/agent_moss.sock"

项目结构

AgentMoss/
├── agent_moss/               # Python 实现 (PyPI: agent-moss)
│   ├── __init__.py
│   ├── cli.py                # 命令行工具
│   ├── profiles/             # OS Profile 系统
│   │   ├── base.py           # OSProfile 抽象基类
│   │   ├── linux.py          # LinuxProfile (38 危险模式 + 62 注入关键词 + 19 敏感路径 + 5 凭据文件)
│   │   └── windows.py        # WindowsProfile
│   ├── engine/               # 安全分析引擎
│   │   ├── coordinator.py    # 三层协调器 + 两级快速放行
│   │   ├── heuristic.py      # 层1: 启发式检测 (3 个子检测器)
│   │   ├── logic_rules.py    # 层2: 逻辑规则检测 (8 条规则)
│   │   ├── llm_analyzer.py   # 层3: LLM + Skill 深度分析 (200 条缓存)
│   │   ├── script_analyzer.py # 脚本内容预扫描 (18 个可疑模式)
│   │   ├── skill_engine.py   # Skill 匹配引擎 (12 个 Skill)
│   │   └── types.py          # 类型定义
│   ├── infra/                # 基础设施
│   │   ├── config.py         # 配置管理 (YAML + 环境变量)
│   │   ├── llm_client.py     # LLM 客户端 (15+ Provider 自动识别)
│   │   ├── logging.py        # 结构化日志
│   │   ├── parsers.py        # LLM 响应解析器
│   │   ├── policy_cache.py   # 策略缓存 (内存 + 文件持久化)
│   │   └── prompt_templates.py # Prompt 模板加载
│   ├── server/               # HTTP API 服务层
│   │   ├── app.py            # FastAPI 应用
│   │   ├── routes.py         # API 路由
│   │   ├── models.py         # Pydantic 请求/响应模型
│   │   └── socket_server.py  # Unix Domain Socket
│   ├── adapters/             # 适配器层
│   │   └── observable.py     # AgentOS syscall 数据适配
│   ├── skills/               # 12 个安全 Skill 规则 (Markdown)
│   ├── templates/            # 3 个 Prompt 模板 + policy_mapping
│   └── rules/                # 用户自定义规则
│
├── ts/                       # TypeScript 实现 (npm: @kenhkl/agent-moss)
│   ├── src/
│   │   ├── cli.ts            # CLI 入口 (init/analyze/server)
│   │   ├── config.ts         # 配置管理 (环境变量 + Provider 识别)
│   │   ├── models.ts         # Zod 数据模型
│   │   ├── routes.ts         # Hono API 路由
│   │   ├── server.ts         # Hono HTTP 服务
│   │   └── engine/           # 三层防御引擎
│   │       ├── coordinator.ts    # 三层协调器 + 两级快速放行
│   │       ├── heuristic.ts      # 层1: 启发式 (30 危险模式 + 56 注入关键词)
│   │       ├── logic-rules.ts    # 层2: 逻辑规则 (6 条规则 + 20 敏感路径)
│   │       ├── llm-analyzer.ts   # 层3: LLM 分析 (200 条缓存 + fail-closed)
│   │       ├── script-analyzer.ts # 脚本内容预扫描 (16 个可疑模式)
│   │       ├── skill-loader.ts   # Skill 加载与匹配 (12 个 Skill)
│   │       └── template-loader.ts # Prompt 模板加载
│   ├── package.json
│   └── tsup.config.ts
│
├── config/
│   └── agent_moss.yaml       # YAML 配置模板
├── docs/
│   ├── design.md             # 基础架构设计
│   └── ...
└── tests/
    ├── conftest.py           # 共享 fixtures
    ├── test_all_cases.py     # 全量测试 (48 个用例)
    └── cases/                # 测试用例 JSON

测试

# 前两层测试（不依赖 LLM）
python3 -m pytest tests/ -v --no-header

# 包含 LLM 层（需 API Key）
AGENT_MOSS_LLM_API_KEY="sk-xxx" python3 -m pytest tests/ -v

# 仅运行特定测试
python3 -m pytest tests/ -k "deny" -v
python3 -m pytest tests/ -k "profile" -v

# TypeScript 版
cd ts && npm run build

Project details

Release history Release notifications | RSS feed

0.7.11

Jul 11, 2026

0.7.10

Jul 11, 2026

0.7.9

Jul 10, 2026

0.7.8

Jul 9, 2026

0.7.6

Jul 9, 2026

0.7.5

Jul 8, 2026

This version

0.7.4

Jul 8, 2026

0.7.3

Jul 8, 2026

0.7.2

Jul 6, 2026

0.7.1

Jun 25, 2026

0.7.0

Jun 25, 2026

0.6.0

Jun 18, 2026

0.5.0

Jun 14, 2026

0.4.0

Jun 5, 2026

0.3.2

Jun 1, 2026

0.3.1

May 28, 2026

0.3.0

May 28, 2026

0.2.0

May 22, 2026

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

agent_moss-0.7.4.tar.gz (104.6 kB view details)

Uploaded Jul 8, 2026 Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

The dropdown lists show the available interpreters, ABIs, and platforms. Enable javascript to be able to filter the list of wheel files.

agent_moss-0.7.4-py3-none-any.whl (112.8 kB view details)

Uploaded Jul 8, 2026 Python 3

File details

Details for the file agent_moss-0.7.4.tar.gz.

File metadata

Download URL: agent_moss-0.7.4.tar.gz
Upload date: Jul 8, 2026
Size: 104.6 kB
Tags: Source
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.2.0 CPython/3.12.3

File hashes

Hashes for agent_moss-0.7.4.tar.gz
Algorithm	Hash digest
SHA256	`0778dd9aecfe13ec4e659c07c1891e7527717d3245c9c2056ead745db314e0b4`
MD5	`f885be3422d8ce1f04e130ca82694be4`
BLAKE2b-256	`97f8f3fb03bd718f9e78c2abb3b433df9229a7fec81536aa05cace6b1cfa57fc`

See more details on using hashes here.

File details

Details for the file agent_moss-0.7.4-py3-none-any.whl.

File metadata

Download URL: agent_moss-0.7.4-py3-none-any.whl
Upload date: Jul 8, 2026
Size: 112.8 kB
Tags: Python 3
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.2.0 CPython/3.12.3

File hashes

Hashes for agent_moss-0.7.4-py3-none-any.whl
Algorithm	Hash digest
SHA256	`719847bf29b3f2be30971a46661e8008dd7814134da919cbddd1f4de09fb718d`
MD5	`cc65b732de23884bf0f6c8ca24aaa9bd`
BLAKE2b-256	`2b78b0df5623f5750432eb89eb58a2f7c33b64dad57c8cc678c1fd1953a9dad5`

See more details on using hashes here.

agent-moss 0.7.4

Navigation

Verified details

Maintainers

Unverified details

Meta

Project description

AgentMoss

目录

架构

设计原则

快速开始

安装

CLI 使用

API 调用

TypeScript / Node.js 调用

LLM 配置

启用 LLM

禁用 LLM（仅静态规则）

支持的 LLM Provider

AcTrail 集成

启用

配置

事件格式

架构

openEuler 部署

前提

一键安装

配置 LLM（生产环境）

启动方式

启动与验证

管理命令

防火墙（HTTP 模式需要）

API 参考

POST /api/v1/analyze

配置

环境变量

配置文件

自定义规则

配置模板

项目结构

测试

Project details

Verified details

Maintainers

Unverified details

Meta

Release history Release notifications | RSS feed

Download files

Source Distribution

Built Distribution

File details

File metadata

File hashes

File details

File metadata

File hashes