ADR

给企业 AI 智能体装上安全监控与威胁拦截系统

ADR 是一个面向企业级 AI 智能体的安全防护框架，由 Uber 部署并开源。它解决的核心问题是：随着 AI Agent 在企业中承担越来越多的自动化任务，其行为可能带来数据泄露、权限滥用或恶意攻击等安全风险。ADR 提供了三大核心能力：一是可观测性，能够实时监控 AI Agent 的决策与执行过程，记录完整行为轨迹；二是安全基准测试，内置一套标准化的攻击场景和评估指标，帮助团队量化 Agent 的安全水平；三是威胁检测，通过规则和模型识别异常行为模式，及时阻断潜在攻击。项目基于 Python 构建，深度适配 Claude、Codex、Cursor 等主流 Agent 框架，并支持 MCP 协议，方便集成到现有 AI 工作流中。整体上，ADR 填补了 AI Agent 安全运维领域的空白，让企业能够在享受自动化红利的同时，守住安全底线。

开源 free 智能体

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1583

维护状态活跃

是否开源是

定价模式 free

项目数据

分类智能体

开发团队uber

所属国家

官网地址

GitHubhttps://github.com/uber/ADR

定价模式free

价格说明开源项目，Apache-2.0 许可证，可自由部署使用，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型agent-security,ai-agents,ai-security,benchmark,claude,claude-code,codex,cursor,llm-security,mcp,model-context-protocol,prompt-injection,threat-detection

GitHub 星标★ 1583

30天Star增速

HF 下载量

上线时间2026-04-19 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：入门约 15 分钟部署方式：命令行工具 5 步

环境要求

Python 环境（项目基于 Python）
已安装 uv 包管理器（README 使用 uv sync）
已安装 Git
Anthropic 与 OpenAI 的 API Key（可选用 llamafirewall 检测器免密钥）

安装与启动步骤

1克隆 ADR 仓库

从 GitHub 拉取 ADR 源码到本地任意目录，命令来自 README 快速开始。
```
git clone https://github.com/uber/ADR
```
2进入 Detection 目录

快速开始针对 Detection 组件，需先切换进该子目录再执行后续命令。
```
cd ADR/Detection
```
3同步依赖

用 uv 按项目配置安装/同步 Python 依赖，首次执行需联网下载。
```
uv sync
```
4配置模型 API Key

导出 Anthropic 与 OpenAI 两个密钥环境变量，供检测器调用大模型使用。
```
export ANTHROPIC_API_KEY="sk-ant-xxxxxxxx" OPENAI_API_KEY="sk-xxxxxxxx"
```
5运行检测器

默认检测器为 adr（ADR 双智能体）；无密钥冒烟测试可加 --detector llamafirewall，完整命令见 Detection/README.md。

关键配置

配置项	必填	说明	示例
`ANTHROPIC_API_KEY`	是	Anthropic 模型密钥，默认 adr 检测器调用所需	`sk-ant-xxxxxxxx`
`OPENAI_API_KEY`	是	OpenAI 模型密钥，默认 adr 检测器调用所需	`sk-xxxxxxxx`

如何确认成功

uv sync 无报错完成，且两个 API Key 环境变量已导出成功，即可在 Detection 目录运行检测器。

常见问题

Q：没有 API Key 能跑吗？

A：可以。README 提供无密钥冒烟测试方式，运行检测器时加上 --detector llamafirewall 参数，具体用法见 Detection/README.md。

Q：默认使用哪个检测器？

A：默认检测器为 adr，即 ADR 双智能体方案；如需更换检测器或跑基线，参考 Detection/README.md。

Q：如何复现论文的完整评测？

A：按 docs/REPRODUCIBILITY.md 的流程：解压打包好的基准数据集、运行各检测器、最后绘制图表。

Q：其他组件怎么部署？

A：Discovery、Sensor、Detection 各自有 README（Discovery/README.md、Sensor/README.md、Detection/README.md），按对应文档操作。

注意事项

README 只给出 Detection 组件的 Quick start，其他组件需查阅各自 README。
ADR-Bench 包含 300+ 任务、134 个 MCP 服务器，覆盖全部 17 种智能体攻击技术。
ADR 已在 Uber 生产环境部署，相关论文被 MLSys 2026 接收。
README 未给出运行检测器的完整命令，请以 Detection/README.md 为准，不要自行猜测参数。

核心亮点

由 Uber 实际部署验证，具备生产级可靠性
提供可观测性、安全基准测试、威胁检测一体化方案
原生支持 Claude、Codex、Cursor 及 MCP 协议，集成成本低

不足之处

项目较新，文档和社区生态仍在完善中
安全基准测试场景可能未覆盖所有行业特定威胁

适用场景

企业部署 AI Agent 前进行安全合规评估
生产环境中实时监控 Agent 行为并拦截异常操作
安全团队对 Agent 进行红队演练和漏洞挖掘

替代项目

LangSmith、Prompt Security、Rebuff

项目介绍

ADR 是评测安全领域的开源项目，由 uber 开发，是 2026 年新上线的项目。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,583）位列前 30%，在评测安全分类的 466 个项目里位列前 15%。

近 42 天，它的 GitHub 星标从 1,387 增加到 1,583，净增 196。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。Apache-2.0 许可证，可自由部署使用，无付费版本。

它主要面向的使用场景是：企业部署AIAgent前进行安全合规评估。同类可对比的替代方案包括 LangSmith、Prompt Security、Rebuff。

上一篇：future-agi

下一篇：Aegis

ADR