Google tiene Mantis de código abierto, un conjunto de herramientas independientes de la pila con habilidades de revisión de seguridad que permite a un agente de codificación de IA ejecutar todo el ciclo de vida de la vulnerabilidad. Encuentra una falla sospechada, elimina los falsos positivos, reproduce el error dentro de una caja de arena, escribe un parche mínimo, vuelve a atacar ese parche y califica el riesgo residual.
Mantis no es un escáner al que apuntas a un repositorio y del que te alejas. Es un conjunto de comandos de barra diagonal que carga su agente de codificación existente, además de un conjunto estricto de reglas sobre dónde ese agente puede ejecutar código.
¿Es desplegable? Sí para evaluación local e interna, aún no para producción. Puede clonarlo hoy y ejecutarlo con Gemini CLI, Antigravity CLI, Google ADK o cualquier marco de agente comparable.
el oleoducto
Mantis publica cada etapa como un directorio de habilidades separado, invocado como un comando de barra diagonal y encadenado secuencialmente. Una habilidad de supervisor, /mantis-meta-agente, puede impulsar todo el ciclo en una sesión de larga duración.
Las primeras etapas aprenden el objetivo: /mantis-history extrae el historial de control de versiones para correcciones de seguridad pasadas, /mantis-summarize escribe los mapas de directorio, /mantis-architecture construye una base de conocimiento de Markdown, /mantis-threat-model deriva límites de confianza y /mantis-plan produce una hoja de ruta específica.
Las etapas intermedias buscan y filtran: /mantis-researcher barre los archivos según el plan, luego /mantis-dedupe, /mantis-review y /mantis-critic colapsan los duplicados, aplica reglas negativas y descarta problemas que no pueden ocurrir en una versión de lanzamiento.
Las últimas etapas prueban y corrigen: /mantis-reproduce ejecuta cargas útiles en gVisor o una máquina virtual con la red deshabilitada, /mantis-chain ensambla cadenas de exploits de varios pasos a partir de hallazgos confirmados individualmente, /mantis-patch aplica y verifica la solución, /mantis-calibrate asigna una puntuación de riesgo de 1 a 10, /mantis-reflect escribe lo aprendido para la siguiente pasada y /mantis-report produce el paquete de revisión legible por humanos.
Una habilidad más nueva, /mantis-advise, invierte el flujo. Consulta el modelo de amenazas acumuladas, los linajes de errores anteriores y los patrones de parches verificados antes de escribir código, para que la misma clase de error no aparezca dos veces.
¿Pero por qué?
La mayoría de las herramientas de seguridad agentes se limitan a generar hallazgos. Mantis es interesante porque trata al reproductor y al reataque como el límite de confianza, y porque publica los contratos entre etapas para que los equipos puedan envolver las habilidades en un arnés determinista en lugar de confiar en un LLM para orquestar comandos de shell.
Conclusiones clave
Mantis es un conjunto de herramientas de habilidades modulares para agentes de codificación, no un escáner independiente ni un producto compatible de Google. Su diferenciador es la base: reproducción en espacio aislado y reataque de parches, no confianza en el modelo. Un árbol de resumen jerárquico reduce la sobrecarga de tokens en más del 85 por ciento, según Google. Google cita tasas de verdaderos positivos inferiores al 7 por ciento para el escaneo ingenuo de códigos de IA como el problema al que se enfrenta Mantis. Implementable localmente bajo Apache 2.0 pero aún no recomendado para producción.
Consulte google/mantis en GitHub, Guía de referencia del agente, Perspectivas del CISO en la nube y Introducción a Mantis. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ml y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.