随着人工智能在安全领域的渗透，GitHub Security Lab团队开发了Taskflow Agent。该工具旨在帮助安全研究人员自动化、打包并分享有效的AI提示词和工作流，从而更高效地在Android应用中挖掘漏洞。
尽管大语言模型（LLM）理解代码的能力日益精进，但自定义工作流能将研究任务分解为增量步骤，引导LLM更快发现复杂漏洞，或捕捉其原本可能遗漏的安全隐患。据团队透露，通过这些工作流，研究人员已在Android应用中报告了24个漏洞。
如何运行审计工作流
该工作流已开源，但运行需具备GitHub Copilot许可证，且会消耗大量高级模型Token。在中等规模仓库中，完整审计过程约需一至两小时。
- 访问seclab-taskflows仓库并启动Codespace；
- 等待初始化完成后，在终端运行
./scripts/audit/run_mobile.sh myorg/myrepo； - 审计结束后，通过SQLite查看器检查“audit_results”表中“has_vulnerability”列标记为真的行。
针对Android的定制化优化
针对Android应用的特定漏洞模式，团队对工作流进行了针对性引导：
首先，新增gather_mobile_entry_point_info.yaml工作流，将入口点分离为移动端与非移动端，确保AI能准确识别移动应用的攻击面。其次，编辑classify_application_local.yaml，指定常见漏洞类别列表。例如，当识别出基于Intent的入口点时，强制LLM检查混淆副手（confused deputy）或不安全广播等特定风险，以弥补移动漏洞知识普及度低及LLM非确定性带来的盲区。
典型漏洞案例解析
OsmAnd：恶意应用可追踪用户位置
OsmAnd是一款下载量超1000万的第三方导航应用。工作流发现其导出的MapActivity存在逻辑缺陷。Android中，任何应用均可向导出Activity的Intent中添加任意Extra参数。OsmAnd在处理设置导入时，未校验来源，允许外部应用通过Intent Extra控制silent_import（静默导入）、replace（替换设置）等关键参数。
攻击者可利用此漏洞替换地图瓦片URL，将请求指向攻击者控制的服务器。由于瓦片坐标包含精确地理位置信息，攻击者可在用户无感知的情况下，窃取其浏览轨迹及路线起点终点数据。
Wikipedia：深度链接劫持导致账号接管
Wikipedia Android应用注册了wikipedia://深度链接。然而，其主机名解析逻辑存在缺陷，仅检查域名是否以wikipedia.org结尾，导致攻击者可构造如evil-wikipedia.org的恶意域名通过校验。
结合WebView中Cookie域匹配逻辑的宽松限制（仅检查后缀），攻击者可诱导用户点击恶意链接，使应用在WebView中加载攻击者控制的页面并泄露长期有效的会话Cookie。这将导致受害者在所有Wikimedia项目中的账号被完全接管。
LLM的优势与局限
实践表明，LLM擅长发现通用Bug及高影响力逻辑漏洞，且对各类语言的安全API行为有深刻理解，生成的概念验证（PoC）代码往往只需少量修改即可运行。
然而，LLM在评估漏洞严重程度方面存在明显短板。它常误报低严重性问题，或忽略路径遍历中的缓解因素（如内部存储覆盖外部数据）。此外，LLM难以自主判断某些漏洞在现实场景中的触发难度。因此，所有AI发现的漏洞仍需具备移动安全知识的研究人员进行人工审核与PoC验证。
GitHub Security Lab表示，AI驱动的安全研究已成为保护开源项目的重要手段。团队呼吁社区贡献更多提示词与工具，共同推动AI在Web、移动及桌面应用安全领域的落地。