评测安全

skill-validator 开源 免费 仅开源

一条命令检查 Agent Skill 写得对不对、够不够扎实

skill-validator 是一个用 Go 编写的命令行校验工具，用于检查 Agent Skill 内容是否符合 Agent Sk···

humanbound 开源 仅开源

给 AI 智能体找茬，自动发现安全漏洞和逻辑缺陷。

Humanbound 是一个开源的对抗性测试引擎，为 AI 智能体提供 SDK 和命令行工具，用于发现和修复智能···

augustus 开源 免费 仅开源

一条命令跑 190+ 探针，快速测出大模型安全漏洞

Augustus 是一个用 Go 编写的 LLM 安全测试框架，专门用于检测提示注入、越狱和对抗性攻击。它把常···

Awesome-AI-Hacking-Agents 开源 免费 仅开源

一页清单，快速找到能自动打渗透的 AI 智能体

Awesome-AI-Hacking-Agents 是一个精选列表型开源项目，专门汇总用于安全测试与渗透测试的 AI 智能···

MIND 开源 免费 可打开

测测你的视频生成模型，记忆和动作控制靠不靠谱

MIND 是一个用于评估世界模型记忆一致性和动作控制能力的开源基准测试平台，属于视频生成领域。它主···

evals 开源 已失效

用真实 React Native 任务，测出 AI 编码真本事。

evals 是一个用于评估编码模型解决真实 React Native 任务能力的基准测试套件。它通过一系列实际开···

agent-audit 开源 免费 仅开源

给 AI 智能体做安全体检，防提示注入和配置漏洞

agent-audit 是一个针对 LLM 智能体的静态安全扫描工具，主要解决 AI Agent 应用中的安全漏洞问题，···

damn-vulnerable-ai-agent 开源 免费 仅开源

故意留洞的 AI Agent 靶场，拿来练提示注入和越权

damn-vulnerable-ai-agent 是一个故意设计成存在安全漏洞的 AI Agent 平台，用于安全测试与教学。它···

SILENTCHAIN 开源 可打开

在 Burp 里用大模型辅助找 Web 漏洞

SILENTCHAIN 是一款面向 Burp Suite 的 AI 漏洞扫描扩展，使用 Java 开发。它把大模型能力接入渗透···

crust 开源 可打开

给 AI Agent 装上行为拦截闸，危险操作发生前就挡住

Crust 是一个用 Go 编写的开源 AI Agent 安全基础设施，目标是在智能体执行危险动作之前进行拦截和···

RVCBench 开源 免费 仅开源

给语音克隆模型做安全体检，防伪造保隐私

RVCBench 是一个针对语音克隆鲁棒性、说话人隐私和音频保护的基准测试框架，覆盖 26 个 TTS 和 VC ···

prompt-guard 开源 免费 仅开源

给 AI 智能体装上防注入防火墙，自动识别恶意提示并评分。

prompt-guard 是一个面向 AI 智能体的高级提示注入防御系统，旨在解决大语言模型应用面临的提示注入···

skill-scanner 开源 免费 仅开源

给 Agent 技能做安全体检，上线前扫出提示注入和越权风险

skill-scanner 是一个用 Python 编写的安全扫描器，专门针对 Agent Skills（智能体技能）这类新兴资···

benchmark 开源 免费+付费 可打开

用200个真实网页任务，跑分对比你的浏览器AI智能体

这是一个面向浏览器智能体（browser agent）的开源评测基准项目，提供 BU Bench V2.1，包含 200 个···

terminal-bench-science 开源 可打开

让 AI 在终端里跑通真实科研任务并自动打分

Terminal-Bench-Science 是一个面向科研工作流的 AI 智能体评测基准，聚焦于评估 AI 在真实科学计算···

vestige 开源 免费 仅开源

给AI智能体装黑匣子，每步操作可查可证

Vestige 是一个面向 AI 智能体的本地确定性安全内核，用 Rust 编写。它要解决的问题是：当智能体自···

terminal-bench 开源 可打开

在真实终端里跑任务，量出 agent 到底行不行

terminal-bench 是一个面向终端智能体（agent）的评测基准，用来衡量 AI 在真实命令行环境中的任务···

skills-benchmarks 开源 免费 仅开源

给 AI 智能体技能上秤，跑分对比不靠嘴

skills-benchmarks 是一个面向 AI 智能体技能（skills）的评测基准集合，用 JavaScript 实现。它要···

stt-benchmark 开源 免费 仅开源

统一测 STT 首字延迟与语义准确率，选型有据

stt-benchmark 是一个用 Python 编写的语音转文字（STT）服务基准测试工具，面向实时 AI 应用场景。···

FeatureBench 开源 免费 仅开源

用真实功能开发任务，量出编码智能体的真实水平

FeatureBench 是 ICLR 2026 论文的官方实现，用于评测 AI 编码智能体完成复杂功能开发任务的能力。···

aacr-bench 开源 免费 仅开源

用真实仓库上下文评测大模型的代码审查能力

aacr-bench 是阿里巴巴开源的多语言基准测试集，用于评测大模型在仓库级自动代码审查任务上的能力。···

tribunal 开源 免费 仅开源

在 Elixir 里像写测试一样评测 LLM 输出

tribunal 是一个面向 Elixir 生态的 LLM 评测框架，解决在 Elixir 应用中缺乏统一方式评估和测试大···

julius 开源 免费 仅开源

输入 IP:端口，秒认背后是哪种 LLM 服务

Julius 是一个用 Go 编写的 LLM 服务识别工具，核心功能是把一个 IP:Port 快速翻译成具体的 AI 服务···

PassLLM 开源 免费 仅开源

用个人信息加 LoRA 微调，让口令猜测更贴近真人习惯

PassLLM 是一个基于 PyTorch 的口令猜测研究工具，对应 USENIX 2025 论文实现。它把大语言模型与 L···