Der Audit erkennt KI-typische Defektklassen (Platzhalter-Secrets, Header-only-Auth, client-gesteuerte Autorisierung, fehlende Validierung, Security-TODOs, halluzinierte Abhängigkeiten, Debug-Endpunkte, verschluckte Fehler, Stubs) datei- und zeilengenau.
Produkt ai-code-audit · Version 0.1.0
AI-Generated Code Audit
Standardisierter, deterministischer Audit für KI-generierte ("vibe-coded") Anwendungen. Das Produkt prüft Quellcode, Manifeste und Konfiguration statisch auf KI-typische Defektklassen: hartkodierte Platzhalter-Secrets, unsichere Header-only-Auth, client-gesteuerte Autorisierung, fehlende Input-Validierung, Copy-Paste-Boilerplate, Security-TODOs, halluzinierte oder veraltete Abhängigkeiten, unbehandelte Async-Fehler, verschluckte Exceptions, aktive Debug-Endpunkte/-Flags, inkonsistente Env-Konfiguration, tautologische/ übersprungene Tests und nicht implementierte Produktions-Stubs. Jeder Befund ist datei- und zeilengenau mit konkreter Fix-Anweisung; heuristische Regeln werden transparent von deterministischen getrennt, der Risiko-Score wird aus dokumentierten Severity-Gewichten berechnet. Der Lauf wird unabhängig re-validiert und ist über einen hash-verketteten Evidence-Record mit Ed25519-Signaturen und Contract-Digests reproduzierbar.
Zielkunde (ICP)
Startups und kleine/mittlere Softwareteams (5-50 Entwickler), die KI- Coding-Tools (Copilot/ChatGPT/Claude/Agenten) produktiv einsetzen und vor Releases, Investoren-Due-Diligence oder Security-Reviews eine schnelle, reproduzierbare Risiko-Vorprüfung des generierten Codes benötigen.
Problem
KI-generierter Code wirkt vollständig, enthält aber typische Musterfehler: Platzhalter-Secrets, Auth-Prüfungen ohne Verifikation, erfundene Pakete, fehlende Validierung, verschluckte Fehler und Platzhalter-Tests. Manueller Review findet diese Klassen langsam und inkonsistent; klassische SAST-Tools verstehen den KI-spezifischen Kontext nicht. Teams benötigen eine deterministische, evidenzbasierte Vorprüfung mit klaren, zeilengenauen Fix-Aufträgen, ohne Code oder Secrets in einen Cloud-Dienst zu geben.
Liefermodelle
- Audit as a Service
Service-Level (SLA)
| Feld | Wert |
|---|---|
delivery_time_hours | 24 |
max_findings_per_audit | 200 |
max_runtime_seconds | 120 |
Grenzen des Produkts
- Rein statische Heuristiken/Muster; keine semantische Analyse, kein LLM, keine Datenflussanalyse – False Positives/Negatives sind möglich.
- Halluzinierte Abhängigkeiten werden gegen synthetisch kuratierte Dependency-Facts (Snapshot 2026-10-28) geprüft, nicht gegen eine Live- Registry; private/neue Pakete können als unbekannt gelten.
- Kein Ersatz für manuellen Code-Review, SAST mit Semantik, Pentest oder Zertifizierung; jede Entscheidung erfordert menschliche Freigabe.
- Die aktuelle Evidenz basiert ausschließlich auf dem synthetischen Lab-Target synthetic-ai-generated-app, nicht auf echtem Kunden-Code.
- Der Risiko-Score ist ein technisches Signal und keine Garantie über Sicherheit oder Produktqualität.
- Rein statische Heuristiken/Muster; keine semantische Analyse, kein LLM, keine Codeausführung, kein Datenfluss-Tracking.
- Heuristische Regeln (AI-ASYNC-001, AI-CATCH-001, AI-CONFIG-002, AI-DUP-001, AI-TEST-001, AI-TEST-002) haben niedrigere Confidence und können False Positives/Negatives enthalten; deterministische Regeln sind im Summary getrennt ausgewiesen.
- Halluzinierte Abhängigkeiten werden gegen synthetisch kuratierte Dependency-Facts (Snapshot 2026-10-28) geprüft, nicht gegen eine Live- Registry; neue oder private Pakete können daher als unbekannt gelten.
- Kein Ersatz für manuellen Code-Review, SAST mit Datenflussanalyse, Pentest oder Zertifizierung.
- Das Golden-Dataset ist synthetisch; keine echten Secrets, Domains, Kunden- oder Personendaten.
Verträge: Eingabe und Ausgabe
Ein Claim erscheint nur, wenn die Evidenz zur exakten Version passt. Contract-Felder werden aus dem veröffentlichten Datenvertrag gerendert.
JSON-Schema (input_contract) aus dem veröffentlichten Datenvertrag. Der Runner validiert Ein- und Ausgaben gegen dieses Schema.
{
"properties": {
"repository_snapshot": {
"description": "Read-only Snapshot der Anwendung (TypeScript/JavaScript, Python, Java, npm-/Maven-/Python-Manifeste, committed Konfiguration); keine echten Secrets/Personendaten, keine Änderung am Zielsystem.",
"type": "object"
}
},
"required": [
"repository_snapshot"
],
"type": "object"
}| Feld | Typ | Pflicht | Beschreibung |
|---|---|---|---|
repository_snapshot | object | ja | Read-only Snapshot der Anwendung (TypeScript/JavaScript, Python, Java, npm-/Maven-/Python-Manifeste, committed Konfiguration); keine echten Secrets/Personendaten, keine Änderung am Zielsystem. |
JSON-Schema (output_contract) aus dem veröffentlichten Datenvertrag. Der Runner validiert Ein- und Ausgaben gegen dieses Schema.
{
"properties": {
"findings": {
"description": "Maschinenlesbare Findings als JSON inkl. Summary mit Severity-Zählern, Risiko-Score-Formel, Heuristik-Regeln und unterdrückten Decoy-Mustern.",
"type": "object"
},
"report": {
"description": "Kundenbericht (Markdown) mit Zusammenfassung, Methodik, priorisierten Findings inkl. Datei, Zeile, Schweregrad, Fix-Anweisung, Heuristik-Kennzeichnung, Risiko-/Kategorie-Scores, Reproduzierbarkeitsdaten und Grenzen.",
"type": "object"
}
},
"required": [
"report",
"findings"
],
"type": "object"
}| Feld | Typ | Pflicht | Beschreibung |
|---|---|---|---|
findings | object | ja | Maschinenlesbare Findings als JSON inkl. Summary mit Severity-Zählern, Risiko-Score-Formel, Heuristik-Regeln und unterdrückten Decoy-Mustern. |
report | object | ja | Kundenbericht (Markdown) mit Zusammenfassung, Methodik, priorisierten Findings inkl. Datei, Zeile, Schweregrad, Fix-Anweisung, Heuristik-Kennzeichnung, Risiko-/Kategorie-Scores, Reproduzierbarkeitsdaten und Grenzen. |
Veröffentlichte Claims (gate-geprüft)
Jeder folgende Claim ist an mindestens einen PASSED-Evidenz-Record gebunden. Die SHA-256-Hashwerte der Records sind direkt an jedem Claim sichtbar; nicht freigegebene Claims werden nicht gerendert.
Der Audit trennt heuristische von deterministischen Regeln transparent: jede Regel deklariert Kind, Confidence, Kategorie und Blocking-Status, der Risiko-Score wird aus einer dokumentierten Formel berechnet.
Jeder Audit-Lauf ist deterministisch, wird unabhängig re-validiert und ist über einen hash-verketteten Evidence-Record mit Ed25519-Signaturen, Artefakt-Hashes und Contract-Digests reproduzierbar.
Es sind keine unterdrückten Claims für dieses Produkt im Gatekeeper-Status enthalten.
Workflow
Ausführungsschritte laut Manifest; jeder Schritt referenziert einen geprüften Skill.
| Schritt | Skill | Beschreibung | Abhängig von |
|---|---|---|---|
audit | ai_code_audit | KI-generierte Anwendung statisch prüfen und Findings deterministisch mit dem Skill ai_code_audit erzeugen. | — |
Skills in diesem Produkt
Versionen, Schwellenwerte und Evidenzstand je Skill. Details in der Skill-Registry.
| Skill | Version | Reife | Recall / Precision | Evidenz | Letzte Evidenz |
|---|---|---|---|---|---|
| AI-Generated Code Audit | 0.1.0 | VALIDATED | 1,000 / 0,900 | 1 | 6c99bf9121a94979a8fd1a81066b72b9 |
Evidenz für dieses Produkt
Ausschließlich verifizierte Records. Hashes und Artefaktpfade sind im Evidenz-Detail einsehbar.
record_sha256: 3d6b967be677fa8a6050cf0607426283716ac48952107ca0da02a9bb94c3254a
- Rein statische Heuristiken/Muster; keine semantische Analyse, kein LLM, keine Datenflussanalyse – False Positives/Negatives sind möglich.
- Halluzinierte Abhängigkeiten werden gegen synthetisch kuratierte Dependency-Facts (Snapshot 2026-10-28) geprüft, nicht gegen eine Live- Registry; private/neue Pakete können als unbekannt gelten.
- Kein Ersatz für manuellen Code-Review, SAST mit Semantik, Pentest oder Zertifizierung; jede Entscheidung erfordert menschliche Freigabe.
- … 7 weitere
Bericht: evidence/artifacts/6c99bf9121a94979a8fd1a81066b72b9/report.md
Weitere Dokumentation
Kein Dokumentationspfad veröffentlicht.