Scan Codebases auf Sicherheitslücken in LLM- und KI-Integrationen, wie Prompt Injection, Datenschutzverletzungen und unsicheres Output-Handling.
Auch bekannt als GuardBee/guardbee-mcp, @guardbee/mcp-ai-code-scanner
- Stars
- 2
- Tools
- 4
- Downloads, 30 Tage
- 1.842
- Neueste Version
- 0.3.2
- Letzter Commit
- 12. Nov. 2026
- Lizenz
- MIT
Was ist ai-code-scanner MCP?
ai-code-scanner ist ein MCP server. Scan Codebases auf Sicherheitslücken in LLM- und KI-Integrationen, wie Prompt Injection, Datenschutzverletzungen und unsicheres Output-Handling. Er stellt 4 Tools bereit, etwa scan_text, scan_file, scan_directory.
Zusammenfassung generiert aus dem README des Projekts
Über ai-code-scanner MCP server
Die Hauptfunktion dieses MCP server besteht darin, KI-Integrationen abzusichern, indem Codebases nach spezifischen Schwachstellenmustern gescannt werden. Er hilft Entwicklern dabei, Risiken wie Prompt Injection, Datenschutzverletzungen und unsicheres Output-Handling zu identifizieren, die von Standard-Secret-Scannern oft übersehen werden. Das Tool konzentriert sich darauf, wie sehr der Output eines Modells vertraut wird und welches Privileg den Tools eingeräumt wird, die ein Agent aufrufen kann.
Nutzer können diesen Server lokal über Claude Desktop oder via CLI für die CI/CD-Integration ausführen. Er bietet spezifische Tools wie scan_text für Code-Snippets, scan_file für einzelne Dateien und scan_directory für eine rekursive Codebase-Analyse. Der Server enthält außerdem ein list_patterns Tool, um alle unterstützten Erkennungskategorien anzuzeigen.
Dieser Scanner ist hochgradig anpassbar durch eine guardbee.yml Config und die Möglichkeit, eigene Rule Packs mittels JSON-Dateien hinzuzufügen. Dies ermöglicht es Teams, organisationsspezifische Muster für sensible Daten oder interne Tools zu definieren. Die Ergebnisse werden mit konkreten Empfehlungen gemeldet und können im SARIF 2.1.0 Format für die Nutzung in GitHub Code Scanning exportiert werden.
Was du damit machen kannst
- 1Erkennung von Prompt Injection RisikenLass die KI prüfen, ob Benutzereingaben unsicher in System-Prompts gemischt werden.
- 2Verhinderung von Leaks sensibler DatenScanne die Codebase, um sicherzustellen, dass personenbezogene Daten wie E-Mail-Adressen nicht direkt an ein LLM gesendet werden.
- 3Audit von Agent Tool-BerechtigungenPrüfe, ob Tools, die einem KI-Agenten zur Verfügung stehen, übermäßige Kontrolle ermöglichen, wie etwa Shell-Execution.
Geschrieben aus dem README des Projekts. Jeder Use Case wurde gegen ein Zitat daraus geprüft.
So installierst du ai-code-scanner MCP
Formate geprüft am 10. Nov. 2026Zu Cursor hinzufügenZu Goose hinzufügenai-code-scanner MCP in Claude Code installieren
$ claude mcp add ai-code-scanner -- npx -y @guardbee/mcp-ai-code-scannerai-code-scanner MCP in Cursor installieren
~/.cursor/mcp.json
{
"mcpServers": {
"ai-code-scanner": {
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-ai-code-scanner"
]
}
}
}ai-code-scanner MCP in VS Code installieren
.vscode/mcp.json
{
"servers": {
"ai-code-scanner": {
"type": "stdio",
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-ai-code-scanner"
]
}
}
}ai-code-scanner MCP in VS Code CLI installieren
$ code --add-mcp '{"name":"ai-code-scanner","type":"stdio","command":"npx","args":["-y","@guardbee/mcp-ai-code-scanner"]}'ai-code-scanner MCP in Claude Desktop installieren
claude_desktop_config.json
{
"mcpServers": {
"ai-code-scanner": {
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-ai-code-scanner"
]
}
}
}ai-code-scanner MCP in Codex installieren
$ codex mcp add ai-code-scanner -- npx -y @guardbee/mcp-ai-code-scannerai-code-scanner MCP in Codex config.toml installieren
~/.codex/config.toml
[mcp_servers.ai-code-scanner] command = "npx" args = ["-y", "@guardbee/mcp-ai-code-scanner"]
ai-code-scanner MCP in Gemini CLI installieren
$ gemini mcp add -s user ai-code-scanner npx -- -y @guardbee/mcp-ai-code-scannerai-code-scanner MCP in Gemini settings.json installieren
~/.gemini/settings.json
{
"mcpServers": {
"ai-code-scanner": {
"command": "npx",
"args": [
"-y",
"@guardbee/mcp-ai-code-scanner"
]
}
}
}ai-code-scanner MCP tools 4
Erkannt aus dem READMEscan_textscan_filescan_directorylist_patterns
| scan_text | — | |
| scan_file | — | |
| scan_directory | — | |
| list_patterns | — |
Automatisierte Checks
Geluften am 13. Nov. 2026Vollständiger Bericht →Unsere automatisierten Checks bestanden. Das ist kein Security-Audit: Lies den Code und gib dem Server nur den minimal notwendigen Zugriff. Wie die Checks funktionieren
- Source Repository verknüpft und erreichbarBestanden
- Open Source Lizenz (OSI)Bestanden
- Commit oder Release im letzten JahrBestanden
- Package-Name ähnelt keinem populären PackageBestanden
- Remote Endpoint nutzt HTTPSNicht geprüft
- Destruktive Tools sind markiertBestanden
- Keine versteckten Anweisungen an das ModellBestanden
- Keine kritischen Advisories im Paket oder seinen AbhängigkeitenBestanden
README
Auf GitHub ansehen@guardbee/mcp-ai-code-scanner
🇬🇧 English | 🇹🇷 Türkçe | 🇨🇳 中文 | 🇯🇵 日本語 | 🇰🇷 한국어 | 🇧🇷 Português | 🇪🇸 Español | 🇩🇪 Deutsch
An MCP (Model Context Protocol) server that scans your codebase for security patterns commonly found in LLM/AI integrations.
While secret-scanner looks for leaked secrets/API keys, this package looks for patterns: how much a model's output is trusted, how privileged the tools it can call are, what data is sent to a third-party LLM — risks that a static credential scan can't catch.
Telemetry is off by default. With
GUARDBEE_TELEMETRY=1it sends the server, tool, success, duration and short parameter values such as a file path; longer strings and fields likecontent,tokenorpasswordare replaced with a placeholder. See@guardbee/mcp-telemetry.
Claude ──► ai-code-scanner ──► Your codebase
│
├─ Client-exposure (dangerouslyAllowBrowser: true)
├─ Output handling (eval(llmOutput), unvalidated JSON.parse)
├─ Excessive agency (an agent tool named execute_command)
├─ Data privacy (email/national ID interpolated directly into a prompt)
└─ Prompt injection (raw request data mixed into a system prompt)
Features
- 10 patterns, 5 categories — client-exposure, output-handling, excessive-agency, data-privacy, prompt-injection
- Every finding includes why it's risky and what to do about it (
recommendation) — not just "found it" - SARIF 2.1.0 output — CI/CD integration (GitHub Code Scanning, etc.)
- Config file support via
guardbee.yml - Custom rule packs — extend detection with org-specific patterns (KVKK/GDPR field names, internal tool names) via JSON files, no fork required
- 36 unit tests — a positive and a negative (false-positive) scenario for every built-in pattern, plus custom-rule loading/validation
Quick Start
Claude Desktop / MCP Client
{
"mcpServers": {
"guardbee-ai-code-scanner": {
"command": "npx",
"args": ["-y", "@guardbee/mcp-ai-code-scanner"]
}
}
}
CLI (CI/CD)
npx @guardbee/mcp-ai-code-scanner scan ./src --fail-on=high --format=sarif > results.sarif
MCP Tools
| Tool | Description |
|---|---|
scan_text |
Scans a given text/code snippet |
scan_file |
Scans a single file |
scan_directory |
Recursively scans a directory (node_modules, .git, dist skipped automatically) |
list_patterns |
Lists all supported patterns by category |
Detected Patterns
| Category | Pattern | Severity | What it means |
|---|---|---|---|
| client-exposure | openai_dangerously_allow_browser |
critical | OpenAI key leaked to the browser |
| client-exposure | client_bundled_ai_api_key |
critical | An AI key enters the client bundle via NEXT_PUBLIC_/VITE_/REACT_APP_ |
| output-handling | eval_llm_output |
critical | Model output executed as code via eval()/Function() |
| output-handling | exec_llm_output |
critical | Model output passed to a shell command (command injection) |
| output-handling | llm_output_dangerously_set_inner_html |
high | Model output rendered as raw HTML (XSS) |
| output-handling | llm_json_no_validation |
medium | Model output JSON.parse'd without schema validation |
| excessive-agency | excessive_agency_tool_name |
high | A tool that grants an agent shell/code execution |
| excessive-agency | unbounded_agent_loop |
medium | An agent loop with no iteration bound (cost/DoS) |
| data-privacy | pii_field_in_llm_prompt |
high | Data like email/national ID/card number goes directly into a prompt |
| prompt-injection | unsanitized_input_in_system_prompt |
medium | Raw request/user data mixed into a system prompt |
These are heuristic findings — a static text-pattern scan, not a full AST analysis. Designed for a low false-positive rate, but every finding should still be reviewed manually.
Configuration (guardbee.yml)
ai-code-scanner:
fail-on: high # any | critical | high | medium | low | none
max-files: 5000
rules-dir: .guardbee/rules # custom rule packs, see below
exclude:
- ".test.ts"
- "fixtures/"
Custom rules
Built-in patterns cover common AI/LLM integration mistakes, but field names and
internal conventions (e.g. which prop names carry KVKK-regulated data) are
project-specific. Drop one or more JSON files into .guardbee/rules/
(configurable via rules-dir) and they're merged with the built-ins at scan
time — for both the CLI and the MCP server (list_patterns marks them (custom)).
A file holds a single rule object or an array of them:
{
"id": "kvkk_musteri_tc_no",
"name": "musteriTcNo interpolated into a prompt",
"category": "data-privacy",
"pattern": "musteriTcNo",
"flags": "gi",
"severity": "high",
"recommendation": "Mask the national ID before it enters the prompt."
}
category is one of client-exposure | output-handling | excessive-agency | data-privacy | prompt-injection | cost-control; severity is one of
critical | high | medium | low. pattern is a JS regex source string
(flags defaults to "g"). A rule id that collides with a built-in or
another custom rule is rejected — the scanner keeps running but reports the
problem on stderr and skips that entry.
Development
npm run build
npm test # 36 unit tests
License
MIT — GuardBee
Feedback
Questions, ideas, or a false positive? Start a thread in GitHub Discussions or open an issue. If GuardBee is useful to you, a ⭐ on the repository helps others find it.
ai-code-scanner MCP Fragen
Wie füge ich ai-code-scanner MCP zu Claude Code hinzu?
Führe claude mcp add ai-code-scanner -- npx -y @guardbee/mcp-ai-code-scanner in deinem Terminal aus. Füge --scope user hinzu, damit der Server in jedem Projekt verfügbar ist.
Wie füge ich ai-code-scanner MCP zu Cursor hinzu?
Öffne ~/.cursor/mcp.json und füge den Server unter mcpServers hinzu, mit der Cursor-Config aus dem Installationsabschnitt oben.
Welche Tools bietet ai-code-scanner MCP?
Er stellt 4 Tools bereit, darunter scan_text, scan_file, scan_directory, list_patterns.
Welche Sicherheitsrisiken werden erkannt?
Es identifiziert Muster wie die Offenlegung von API-Keys auf Client-Seite, die unsichere Ausführung von Modell-Outputs, übermäßige Agent Agency, PII in Prompts und Prompt Injection.
Wird eine vollständige AST-Analyse durchgeführt?
Nein, es nutzt heuristisches statisches Text-Pattern-Scanning anstelle einer vollständigen AST-Analyse.
Kann ich eigene Sicherheitsregeln hinzufügen?
Ja, du kannst die Erkennung mit organisationsspezifischen Mustern über benutzerdefinierte JSON Rule Packs erweitern.
Ist Telemetrie standardmäßig aktiviert?
Nein, Telemetrie ist standardmäßig deaktiviert.