Quin はこうスキャンする。
CLI を導入し、リポジトリを指定するだけで、監査対応の構造化されたレポートが得られます。コードの計装も、エージェント側の変更も不要です。
3ステップで使い始められます。
Pip でインストール
pip install quin-scanner # or: uv tool install quin-scanner
設定
curl -O https://raw.githubusercontent.com/Gaincontrol-Pte-Ltd/quin-agent-scanner/main/scanner-config.yaml # create .env with your LLM key (not needed with --no-llm) echo "ANTHROPIC_API_KEY=..." > .env
実行と確認
quin-scanner scan <target> --config scanner-config.yaml quin-scanner scan-org <org> --config scanner-config.yaml
スキャン中に何が起きているのか。
リポジトリ → 13のスキャナー(並列) → インベントリとカバレッジ → 脆弱性照会 → 任意のLLM解析 → レポート。
13のスキャナー(並列)
依存関係、設定、コードパターン、ファイル構成、フレームワーク、プロンプト検出、Dockerfile、Jupyter、IaC、CI、MCP、エージェントインスタンス、ツール定義の各スキャナーが、リポジトリに対してローカルで実行されます。この時点ではLLM呼び出しは発生しません。さらに Python/JS/TS のコードを解析して各エージェントに明示的に渡されたツールを対応付け、LLM エンドポイントのアドレス(認証情報は秘匿化)を記録し、すべての検出結果のインベントリとスキャンカバレッジをまとめます。
脆弱性の照会
フレームワークとベースバージョンが特定されると(例: CrewAI 0.80.0)、Quin は OSV.dev に照会し(認証不要、フレームワーク名とバージョンのみ送信)、必要に応じてウェブ検索付きのLLMで最新のアドバイザリを確認します。
パス1: 分類
LLM呼び出しでシステム種別(standard_ai、agentic_ai、mcp_enabled、multi_agent)を分類し、OWASP LLM Top 10、OWASP Agentic Top 10、OWASP MCP Top 10、MAESTRO、Databricks DASF に基づく分類体系から該当する脅威を特定します。
パス2: 要約
2回目のLLM呼び出しで、各エージェントを分類体系に照らしてプロファイルし、ツール利用をサービス分類に対応付け、レポートに載る説明文を生成します。
所要時間はリポジトリの規模と選択したLLMプロバイダーの応答時間に応じて変動し、固定ではありません。--no-llm を指定すると、スキャナーのみを実行し、2回のLLMパスをスキップします。
コードは実際にどこへ送られるのか。
セキュリティエンジニアが最初に尋ねる問いに、率直にお答えします。
お客様のAPIキー、お客様のプロバイダー
Quin は、お客様が設定したLLM APIキー(Anthropic、OpenAI、Google、ローカルの Ollama モデル、または OpenAI 互換エンドポイント)を使用します。抽出されたコードとプロンプトは、お客様のマシンからそのプロバイダーへ直接送信され、Gaincontrol に送られることはありません。
完全ローカルモードも利用可能
--no-llm を指定すると、2回のLLMパスを完全にスキップし、コードやプロンプトはどの LLM にも送信されません。スキャナーは引き続き実行され検出結果を生成します。脆弱性照会では、フレームワーク名とバージョンが OSV.dev に、検索プロバイダーを設定している場合はウェブ検索にも送られます。--no-vuln-check を併用すれば、ローカルリポジトリのスキャンで外部通信は一切発生しません。
脆弱性照会は最小限
OSV.dev への照会で送信されるのは、検出されたフレームワーク名とバージョンのみで、ソースコードは含まれません。アドバイザリ確認のためのウェブ検索は、お客様の既存のプロバイダーAPIキーを利用します。
ベータ版です。鵜呑みにせず、検証してご利用ください。
Quin は現在 v0.1.0b3 であり、活発に開発が進む初期公開リリースです。静的解析およびLLM支援の解析ツール全般と同様に、誤検知や検出漏れが生じる可能性があります。すべての検出結果には信頼度スコアが付与されており優先度付けに利用できますが、セキュリティ、コンプライアンス、アーキテクチャ上の判断に用いる前に、検出結果を独立して検証してください。
Quin は セマンティックバージョニング に従っています。すべての変更は プロジェクトの changelog で追跡されています。
パイプラインにそのまま使える、構造化されたレポート。
すべてのスキャンで、デフォルトではインタラクティブな HTML レポートが ./report/ に書き出されます。JSON、YAML、SARIF も選択でき、信頼度スコア、能力タグ、エージェントのプロファイル、リスク要因を含むレポートを、SIEM への取り込み、GitHub の code scanning、手動レビューにそのまま利用できます。
- ファイル単位の、信頼度スコア付き検出結果
- 能力タグ(llm-api、rag、multi-agent、tool-use)
- エージェントの意図とリスク要因の要約
- エージェントとツールの対応表
- LLM エンドポイントのインベントリ(認証情報は秘匿化)
- スキャンカバレッジ(読み取ったファイルと実行したスキャナー)
- GitHub の code scanning 用の SARIF
- スキャン日時とリポジトリのメタデータ
{
"repo_path": "crewAI-examples/crews",
"scan_timestamp": "2026-08-29T06:17:42.109475+00:00",
"is_ai_application": true,
"confidence": 0.99,
"capability_tags": [
"llm-api", "multi-agent", "orchestration",
"prompt-templates", "rag", "tool-use"
],
"framework": "CrewAI 0.152.0",
"agents": [
{
"name": "Research Analyst",
"agent_type": "worker",
"goal": "Analyze company culture and values to create job postings.",
"capabilities": ["web_scraping", "analysis"],
"risk_signals": [
{
"signal": "Agent retrieves external content (RAG, web, email, documents)",
"recommended_controls": [
"C001: Input Validation & Filtering",
"C002: Output Validation & Handling",
"C003: Access Control & Least Privilege",
"C006: Human Oversight & Approval Gates",
"C008: Agent Governance & Boundaries"
],
"threat_id": "T001",
"severity": "medium",
"evidence_refs": [
{
"file_path": "job-posting/src/job_posting/config/tasks.yaml",
"line_number": 2,
"scanner": "PromptDiscoveryScanner",
"source_url": ""
}
]
}
],
"tools": [],
"source_file": "job-posting/src/job_posting/config/agents.yaml"
}
],
"tool_usages": [
{
"tool_name": "web_search_tool",
"tool_type": "tool_definition",
"service_category": "web_search",
"source_file": "job-posting/src/job_posting/crew.py",
"line_number": 32
}
],
"mcp_servers": [],
"vulnerabilities": []
}