Agent Identity Governance

代理身份安全

人工智能代理的身份治理和管理（IGA）。使用LangGraph构建。

该系统将SailPoint用于人类身份的相同治理原则（发现、所有权、认证、补救）应用于跨多云环境部署的AI代理。

它的作用

问题： 组织正在跨AWS、Azure、GCP和Salesforce部署AI代理。许多是未注册的、不受监控的、过度许可的。安全团队不知道那里有什么，谁拥有它，或者它可以访问什么。

该系统：

1. 发现 跨云平台的AI代理——显式（Bedrock代理、Copilot Studio）和隐式（调用LLM API的Lambda函数）
2. 寄存器 每个代理具有唯一的身份，并评估治理的完整性
3. 丰富 代理缺少关键元数据——分类、所有权、影子AI评估
4. 评论 每个代理对安全策略的访问，标记违规行为，并检测人类通过人工智能代理获得提升权限的间接访问路径
5. 证明 审计报告中的结果，包括优先补救建议

建筑

两个LangGraph图，每个图通过Send API使用动态编排器驱动的扇出。

图1：发现与丰富

START
  │
  ▼
discovery_orchestrator (LLM analyzes environment, generates scanner AgentSpecs)
  │
  ├──── Send ────┬──── Send ────┬──── Send ────┬──── Send ────┐
  ▼              ▼              ▼              ▼              ▼
execute_scanner  execute_scanner execute_scanner execute_scanner execute_scanner
(AWS)            (Azure)        (GCP)          (Salesforce)   (MCP Connector)
  │              │              │              │              │
  └──────────────┴──────────────┴──────────────┴──────────────┘
  │
  ▼
register_agents (assign unique IDs, deduplicate)
  │
  ▼
enrichment_orchestrator (analyze gaps, dynamically generate AgentSpecs)
  │                              Only assigns agents with missing fields
  │
  ├──── Send ────┬──── Send ────┬──── Send ────┐
  ▼              ▼              ▼              ▼
execute_         execute_       execute_       (however many the
enrichment       enrichment     enrichment      orchestrator decides)
  │              │              │
  └──────────────┴──────────────┘
  │
  ▼
critique_enrichments (validate updates — are classifications accurate?)
  │
  ├── rejected → execute_enrichment (retry with feedback, max 2 retries)
  └── approved ↓
  │
  ▼
merge_enrichments (apply approved updates to registry by agent ID)
  │
  ▼
summarize
  │
  ▼
END

图2：访问审查和认证

START
  │
  ▼
review_orchestrator (LLM analyzes registry + policies, dynamically generates reviewer AgentSpecs)
  │
  ├──── Send ────┬──── Send ────┬──── Send ────┐
  ▼              ▼              ▼              ▼
execute_         execute_       execute_       (however many the
reviewer         reviewer       reviewer        orchestrator decides)
  │              │              │
  └──────────────┴──────────────┘
  │
  ▼
generate_certification_report
  │
  ▼
END

关键设计决策

动态编排 --编排器由LLM驱动。他们分析输入并决定生成哪些代理、生成多少代理以及使用什么指令。没有硬编码的管道。

单一真相来源 --所有代理的定义见 data_sources/agents.py 无论平台提供什么字段。有些完整地回来了，有些稀疏。可以在运行时从外部MCP服务器中提取其他代理。

确定性差距分析+健全性检查+LLM智能 --Python逻辑确定哪些代理需要丰富（没有遗漏的代理），并根据代理自己的元数据验证预填充的扫描程序数据（不盲目信任平台报告的值）。LLM编排器生成专业提示，并可以添加代理进行价值审查。三个层次：代码的精度、规则的验证、人工智能的判断。

结构化工具调用 --代理通过键入的工具（例如。， report_discovered_agent, flag_policy_violation).结构化数据直接从工具调用中提取，无需对自由文本进行JSON解析。

两层发现 -扫描仪检查显式代理服务（Bedrock、Copilot Studio）和隐式信号（具有LLM API键的Lambda函数）。该系统撒下一张宽网，然后在富集过程中过滤误报。

MCP作为数据源 --扫描仪可以作为客户端连接到外部MCP服务器，实时从公司平台拉取代理。同样的管道，实时数据。

每个字段的评论循环 --在合并之前，逐个字段验证扩展更新。正确的字段会立即合并；只有被拒绝的字段才能通过反馈重新丰富。评论日志跟踪每次拒绝，以便手动审查。

选项A状态管理 --丰富更新通过以下方式累积在列表中 operator.add，然后合并节点通过代理ID将批准的更新应用于注册表。这保留了每个专家所写内容的完整审计跟踪。

治理检查表 --必填字段的静态列表定义了“良好信誉”的含义。富集协调器只为有缺口的代理配备专家。

项目结构

.
├── state.py                          # State schemas: DiscoveryState, AccessReviewState, all TypedDicts
├── tools.py                          # Action tools (scanner, enrichment, review) + reporting tools
├── prompts.py                        # System prompts for 3 orchestrators + background context
├── run.py                            # Full pipeline — runs both graphs end to end
├── config/
│   └── environment.py                # Graph inputs (environment config, team directory, policies)
├── data_sources/
│   ├── agents.py                     # Agent definitions — single source of truth for all agents
│   ├── scanners.py                   # Scanner tool responses (reads from agents.py by platform)
│   ├── mcp_connector.py              # Live MCP client — pulls agents from external MCP servers
│   ├── enrichment.py                 # Reference data (agent inventory, deployment records)
│   └── review.py                     # Reference data (invokers, invoker permissions)
├── discovery/
│   ├── graph.py                      # Graph 1 wiring — nodes, edges, Send fan-out, critique loop
│   ├── run.py                        # Entry point with streaming output
│   └── nodes/
│       ├── orchestrator.py           # discovery_orchestrator + route_to_scanners
│       ├── scanners.py               # execute_scanner (tool-call loop)
│       ├── registry.py               # register_agents (multi-key dedup + ID assignment)
│       ├── enrichment.py             # enrichment_orchestrator + route + execute + critique + merge
│       └── summarize.py              # Final scan summary
├── access_review/
│   ├── graph.py                      # Graph 2 wiring — nodes, edges, Send fan-out
│   ├── run.py                        # Entry point with streaming output
│   └── nodes/
│       ├── review.py                 # review_orchestrator + route + execute
│       └── report.py                 # generate_certification_report
├── mcp_server/
│   ├── server.py                     # Main MCP server — stdio transport
│   ├── tools.py                      # 5 MCP tools (discovery, review, registry queries, update)
│   ├── resources.py                  # 4 MCP resources (registry, policies, directory, checklist)
│   ├── prompts.py                    # 3 MCP prompts (risk analysis, executive summary, remediation)
│   └── types.py                      # ToolDefinition, ResourceDefinition, PromptDefinition
├── evals/
│   ├── dataset.py                    # Test cases with ground truth
│   ├── evaluators.py                 # Custom evaluators (recall, accuracy, false positive rate)
│   └── run_eval.py                   # Evaluation harness
├── docs/
│   ├── architecture_journey.md       # Design decisions and tradeoffs
│   ├── mcp_guide.md                  # MCP walkthrough with screenshots
│   ├── test_results.md               # Enrichment test results log
│   └── original_blueprint.md         # Original project blueprint (historical)
├── langgraph.json                    # LangGraph Platform config
└── requirements.txt

用例

使用的LangGraph模式

设置

pip install -r requirements.txt

# .env
ANTHROPIC_API_KEY=your-api-key
LANGCHAIN_API_KEY=your-langsmith-key
LANGCHAIN_TRACING_V2=true
LANGCHAIN_PROJECT=agent-identity-security
LLM_MODEL=claude-sonnet-4-20250514

场景

来自MCP连接器的8个静态代理+2个活动代理+1个假阳性：

MCP服务器

该系统还作为MCP服务器通过Claude Desktop进行对话交互。

工具：

资源： 代理注册表、安全策略、团队目录、治理清单

提示： 代理风险分析、执行摘要、补救计划

看 docs/mcp_guide.md 查看完整的截图演练。

MCP在行动

Governance Status

Agent Investigation

Classify and Assign

Executive Summary

外部平台连接器

该系统还可以从外部MCP服务器中提取代理，模拟真实的平台连接器：

External MCP — List Agents

External MCP — Governance Check

全面治理——10/10个代理

10/10 Fully Governed

LangGraph工作室

LangGraph Studio — Discovery Graph

看 docs/mcp_guide.md 完整的演练。