分步指南 — MCP Security & Agent Safety
对象： 在 AIMarket 生态上构建的开发者。
语言：COURSE_LANG=en|ru|es|fr|zh· UI 文案在i18n/English · Русский · Español · Français
在当前生态系统中核对
扫描教学样例后，请比较 HISTOR 和 LEGION 记录 中归档的工具定义。记录观测时间，并区分名称、说明或结构的变化。历史匹配说明两个日志当时观察到了什么。加载工具前，请审查当前定义，并在 CI 中执行已审核的 WARDEN 锁文件。
为什么学这门课
Threat-model MCP, catch tool poisoning with WARDEN, harden agents with LUMEN scoring.
实验调用生态的 LIVE 沙箱（或同接口的本地路径）。失败要响亮：离线时明确报错或使用文档化的 [offline] 模式——绝不伪造成功。
安装（约 10 分钟）
git clone https://github.com/alexar76/aimarket-courses.git
cd aimarket-courses/mcp-security-course
pip install -e ".[dev]"
pytest -q
export COURSE_LANG=zh
python labs/lab01_threat_model.py
Colab：打开课程站点 → Open in Colab。
模块
| 模块 | 标题 | 实验 |
|---|---|---|
| M1 | MCP threat model | lab01_threat_model |
| M2 | Static scan & policy | lab02_static_scan |
| M3 | LUMEN trust scoring | lab03_lumen_score |
| M4 | Owner-lock & fail-closed | lab04_owner_lock |
| M5 | Capstone: malicious server | lab05_warden_capstone |
推荐路径
- 阅读 lab 文档字符串中的概念。
- 运行 lab（可选
COURSE_LANG=zh）。 - 在
courselib/exercises.py填写# YOUR CODE。 python labs/run_exercises.py --certificate "你的名字"。
证书
证书仅在 CLI 中、全部练习通过后签发——浏览器勾选无效。