微软把自家AI红队工具开源了，207个项目在抄作业

这问题搁以前没人搭理你——安全团队的工具链属于核心资产，藏着掖着是常态。但微软反手就把PyRIT开源了，20个版本迭代，1155次提交，207个下游项目在用。这不是demo，这是人家真刀真枪干活的工具。

这玩意儿什么来头

PyRIT，全称Python Risk Identification Tool，专门给生成式AI做风险识别的。

光看名字容易把它当成又一个"大厂秀肌肉的开源玩具"，但几个数据摆出来就不一样了：

• 1155次提交，20个正式版本
• Python 91.3%，TypeScript 8.3%
• 207个下游项目依赖它
• 仓库从Azure/PyRIT搬到了microsoft/PyRIT
  

最后这条信息量很大。从Azure组织级仓库迁移到微软顶级组织，说明这个项目在微软内部的定位已经变了——不再是某个产品线的工具，而是公司层面的基础设施。

另外，PyRIT还发了一篇arXiv论文（编号2410.02828），有学术背书，不是临时起意写的内部脚本。

三种用法，三种人

PyRIT比较有意思的一点是，它给不同背景的人都留了入口。

写代码的，用Python SDK。灵活度最高，Crescendo渐进式越狱、TAP攻击树、Skeleton Key骨架密钥、XPIA跨提示注入这些策略都能编排。

不想写太多代码的，用命令行。pyrit_scan一键扫描，pyrit_shell给了一个交互式环境。v0.12.0还塞了5个预置场景进去——诈骗模拟、信息泄露、社会工程学、越狱测试、红队Agent对抗，拿来就能用。

完全不想碰代码的，CoPyRIT图形界面伺候。v0.12.0首次可用，v0.13.0又加了Converter Panel。一个安全测试工具做到有GUI，说明微软内部确实有人用这个界面干活——毕竟不是所有参与AI红队的人都是安全工程师。

能测什么

PyRIT支持的目标范围挺广：

• 大模型API：OpenAI、Azure OpenAI、Anthropic Claude、Google Gemini
• 开源模型：HuggingFace、Ollama本地部署的都行
• 微软自家Copilot：WebSocket直连
• 任意Web应用：Playwright驱动浏览器自动化
  

后面两条值得多说一句。PyRIT不只能调API测模型本身，还能通过浏览器自动化去操作实际的产品界面。换句话说，"模型没问题但集成出了问题"这类端到端的风险，它也能抓到。

攻击手法比你想的深

很多人对AI红队的理解还停留在"换个说法问敏感问题"的阶段。PyRIT内置的几种攻击策略，思路完全不一样。

Crescendo走的是多轮渐进路线。不直接冲，而是像正常聊天一样慢慢引导，模拟的是真实的社交工程场景。

TAP是自动化攻击树。系统自己生成多条攻击路径，跑一轮之后根据效果剪枝，保留最有效的那些继续优化。

Skeleton Key更狠——它不绕安全护栏，它试图改安全护栏的配置。相当于不是翻墙，而是想办法拿到墙的钥匙。

XPIA测的是跨提示注入：通过一个输入塞恶意指令，影响另一个输入的处理结果。这种攻击在多轮对话和Agent场景里特别危险。

这些策略还能通过Scenario Framework组合起来，搭成完整的测试流程。

有意思的细节

翻版本更新日志的时候看到一条：v0.12.1修复了Jinja2模板注入漏洞。

一个AI安全测试工具，自己有安全漏洞。这事说出来有点打脸，但换个角度想——微软在认真维护这个东西，发现了就修。而且安全工具本身也需要被审计，这不正是PyRIT存在的理由嘛。

最新版在往哪走

v0.13.0的几个更新能看出一些方向：

AttackTechnique抽象层——攻击技术标准化、模块化了。以后社区的人可以自己写攻击技术插进去，不用动核心代码。

VisualLeakBench数据集——专门测视觉信息泄露的。AI生成的图片可能泄露训练数据，这个坑很多人还没意识到。

ISO 42001伤害定义——把AI伤害类型对齐到国际标准。信号很明确：AI安全正在从技术问题变成合规问题。

和腾讯AIG对比一下

之前写过腾讯的AIG，腾讯开源了个AI红队平台，一口气覆盖了55个AI组件两个项目思路差异挺大的。

PyRIT重"攻击深度"，策略多、编排灵活，适合做深度安全测试。AIG重"覆盖广度"，55个AI组件一次性扫，适合快速摸底风险面。

PyRIT三种交互形态都有，AIG目前以命令行为主。PyRIT对齐了ISO 42001，AIG映射了OWASP ASI 2026。

不是谁替代谁的关系，更像是互补。需要深挖已知风险用PyRIT，需要快速扫描风险面用AIG。

想上手的话

看完上面这些觉得可以试试，下面是具体的部署步骤。

方式一：Docker（推荐，最省事）

前提：装好Docker和Docker Compose。

第一步，克隆仓库：

git clone https://github.com/microsoft/PyRIT.git
cd PyRIT

第二步，配置环境变量。复制示例文件然后填你的API Key：

cp .env.example .env

编辑.env文件，把你要测试的AI服务的密钥填进去，支持OpenAI、Azure、Anthropic、Google、Ollama、Groq等。

第三步，构建并启动容器：

docker-compose up -d

第四步，打开浏览器访问JupyterLab：

http://localhost:8888

进去之后notebooks/目录里有现成的文档和示例代码，可以直接跑。如果想用GPU加速，在.env.container.settings里设ENABLE_GPU=true，然后重启容器就行。

方式二：本地安装

前提：Python 3.10到3.13。

用pip装：

pip install pyrit

或者用uv（更快）：

uv pip install pyrit

或者用conda：

conda install -c conda-forge pyrit

装完之后，创建配置目录和密钥文件：

mkdir -p ~/.pyrit
cp .env.example ~/.pyrit/.env

编辑~/.pyrit/.env，填入你的API Key。

如果要用pyrit_scan命令行扫描和预置场景功能，还需要在~/.pyrit/下配一个.pyrit_conf文件，用来注册目标模型、评分器和数据集。官方文档里有详细的配置模板，按着填就行。

验证安装是否成功：

python -c "import pyrit; print(pyrit.__version__)"

能输出版本号就说明装好了。

几个值得琢磨的信号

• 仓库迁移到microsoft组织——从产品线工具升级为公司级战略资产，这个动作本身就说明问题。
• 207个下游依赖——社区生态已经在形成了，有人在PyRIT上面搭自己的工具。
• CoPyRIT GUI——微软认为AI红队不该只是安全团队的事，产品经理、合规人员都得参与进来。
• ISO 42001对齐——合规这堵墙正在向AI领域推过来，国内企业迟早要面对。