核心用法
Moltblock 是一款专为 AI Agent 设计的代码验证层，位于大语言模型生成代码与实际执行之间。其工作流分为三步：首先调用 LLM API 生成代码草稿，随后运行可配置的策略检查（policy checks）扫描危险模式，最后可选通过 Vitest 执行测试验证。用户通过 npx moltblock@0.8.0 "任务描述" --json 即可调用，支持 OpenAI、Anthropic、Google、ZAI 及本地模型（默认 fallback 至 localhost:1234）。
输出为结构化 JSON，包含 verification_passed 布尔值、verification_evidence 说明、以及 authoritative_artifact（最终代码）等字段，便于 CI/CD 流水线集成。
显著优点
1. 风险分层管理：内置高/中/低风险三级判断逻辑，对 rm -rf、DROP TABLE、SSH 密钥访问等高危操作强制验证，对纯文本生成则跳过，平衡安全与效率。
2. 零配置快速启动：无需配置文件，自动从环境变量读取 API 密钥，单条 npx 命令即可运行，降低 adoption 门槛。
3. 可扩展的策略引擎：通过 moltblock.json 可自定义模型绑定（generator/critic/judge 分离）及策略规则，支持团队级安全基线沉淀。
4. 开源可审计：MIT 协议，代码仓库公开，允许安全团队审查策略实现与 LLM 调用逻辑。
潜在局限
1. LLM 依赖的不可控性：策略检查与代码生成本质上依赖 LLM 判断，存在误报（safe code 被拦截）与漏报（危险代码通过）的双重风险，官方明确 disclaimer "verification is best-effort"。
2. 本地模型安全边界模糊：fallback 至 localhost:1234 的设计在便携性与安全性间妥协，若本地服务未妥善隔离，可能引入新的攻击面。
3. 测试覆盖率依赖用户输入：--test 参数为可选，若无测试文件，代码验证仅停留在静态策略层，无法捕获运行时行为缺陷。
4. 生态锁定：Node.js/npm 生态专属，对 Python、Rust 等主流 AI Agent 技术栈支持有限。
适合人群
- 构建 AI coding agent 的开发者，需在自动代码生成与生产部署间增加安全缓冲
- 企业 DevSecOps 团队，希望为内部 AI 代码工具建立可审计的验证标准
- 对 LLM 生成代码持谨慎态度，但希望保持较高自动化程度的个人开发者
常规风险
- 环境变量泄露：虽声称 API key "never stored or transmitted"，但若用户在 shell history 或 CI log 中明文调用，仍存在泄露风险
- 策略规则绕过：提示注入（prompt injection）可能诱导 LLM 生成符合策略表象但实际恶意的代码
- 测试文件投毒：若
--test指向的测试文件本身被篡改，验证通过不代表代码安全 - 供应链攻击：通过 npx 运行时，需信任 npm registry 及包本身未被篡改