MonkeyCode 安全审计实践：开源 AI 编码平台的信任边界分析

AI 编码平台需要访问你的代码仓库、持有模型 API Key、在服务端执行代码。如果平台是闭源的你只能信任厂商的安全承诺。MonkeyCode 是 AGPL-3.0 开源的意味着你可以审查代码来验证安全设计。通过源码审查MonkeyCode 的信任边界架构可以概括为四个平面用户平面用户通过认证访问控制台控制平面管理模型配置、API Key、任务调度Provider API Key 存储在这个平面任务环境平面AI 在隔离的虚拟机中执行任务任务运行时使用的是代理 token通过 CreateRuntimeAPIKey 生成不是 Provider API Key 本身制品存储平面代码补丁、测试结果等工件存储在对象存储中。BYOK 凭证隔离是 MonkeyCode 最值得关注的安全设计。当你配置一个模型的 API Key 时Key 存储在 modelapikey schema 中由控制服务管理。任务启动时通过 CreateRuntimeAPIKey 生成运行时代理 token。代理 token 绑定到 user、model、VM 三个维度。任务使用代理 base URL 和 runtime token 访问模型不直接接触 Provider Key。同一 user 和 VM 的 token 可复用并重新绑定到不同模型。这个设计减少了 Provider Key 直接暴露在任务环境中的风险。模型切换记录TaskModelSwitch包含完整的审计信息谁在什么时间、从哪个模型切换到哪个模型、是否成功、关联的 request ID 和 session ID。这些记录可以用于安全审计和技术决策追溯。通过源码审查也发现了一些需要改进的安全问题Runner 安装脚本使用 curl -k 禁用证书验证下载路径无版本固定未发现 SHA-256 或签名检查。建议在私有部署中审查和修改安装脚本。本文基于 MonkeyCode 公开 GitHub 仓库commit c58bcd4 和 1ac778f的源码审查。安全分析仅基于代码结构未进行渗透测试或运行时安全验证。GitHub 仓库https://github.com/chaitin/MonkeyCode