input-guard

核心用法

input-guard 是专为AI Agent设计的前置防御层，必须在处理任何不可信外部文本前执行扫描。支持三种输入方式：命令行直接传入文本、、--file读取文件、、--stdin管道输入。输出模式灵活，包括人类可读格式、JSON结构化输出和静默模式。核心扫描基于16类正则检测规则（指令覆盖、角色操纵、系统模仿、越狱、数据外泄等），覆盖英语、韩语、日语、中文四种语言。可选LLM增强层通过语义分析捕获隐喻、故事化越狱等规避型攻击。

显著优点

零依赖架构是最大亮点——核心扫描仅依赖Python标准库，无需pip安装即可在任何Python 3环境运行，极大降低供应链攻击面。双重检测机制兼顾效率与深度：正则扫描<100ms适合实时过滤，LLM层2-5秒提供语义级防护。敏感度分级（low/medium/high/paranoid）允许用户根据场景平衡安全性与误报率。生态集成完善：内置OpenClaw告警通道、MoltThreats社区威胁共享、标准退出码（0/1）便于脚本化集成。

潜在缺点与局限性

正则引擎存在固有误报率，high/paranoid模式可能过度拦截正常内容。LLM扫描带来成本与延迟（约2000 tokens/次），不适合高频批量场景。多语言支持虽覆盖主要语种，但小语种攻击向量可能遗漏。依赖外部API key（OpenAI/Anthropic/MoltThreats）意味着功能可用性受第三方制约。此外，该工具仅检测已知攻击模式，零日提示注入仍需依赖LLM层的泛化能力。

适合的目标群体

• AI Agent开发者：需为自主Agent构建安全边界的工程师
• RAG系统架构师：处理网页、文档等外部知识源时强制前置过滤
• 安全运维团队：监控AI工作流的威胁态势并建立响应流程
• 多语言AI产品团队：服务英/韩/日/中用户市场的产品
• 合规敏感行业：金融、医疗、法律等需审计追踪的领域

使用风险

性能风险：LLM模式引入2-5秒延迟，高并发场景需限流或降级至正则模式。依赖风险：taxonomy.json缓存过期或API不可用时，LLM层功能降级。配置风险：敏感度设置不当导致业务流中断（paranoid模式误报）或防护失效（low模式漏报）。隐私风险：LLM扫描将用户数据发送至OpenAI/Anthropic，需明确告知并获得授权。