Evmbench MCP Server

evmBench mcp服务器


MCP服务器和用于智能合约审计的web界面。上传合同源代码，选择模型，并接收结构化漏洞报告。基于 evmBench；为代理和工具添加了MCP（模型上下文协议）端点。

背景

该项目由以下人员维护 人工智能银行 并且是 基于 evmBench。我们用以下内容扩展了原始代码库：

• 原始审计服务 -Web UI和API，用于提交合同和运行可检测的Codex代理，在精神上保持不变。
• MCP集成 --新的MCP（模型上下文协议）端点，以便其他代理或启用MCP的工具可以触发审计并以编程方式使用结果。

如果您需要从MCP客户端或其他代理运行智能合约审计，此项目提供了必要的API和工具定义。

特性

• Web用户界面 --上传合同源的压缩文件，选择一个模型，并查看带有文件导航和注释的漏洞报告。
• REST API --作业提交、状态、历史和每日限制(/v1/jobs/start, /v1/jobs/{id}, /v1/jobs/history, /v1/jobs/daily-limit).
• MCP API --可通过MCP调用的工具，用于启动作业和查询结果（请参阅 后端/README.md 用于MCP设置）。
• 灵活的后端 --通过Docker（默认）或可选的Kubernetes执行Worker。
• OpenAI/Azure -支持直接API密钥、代理令牌模式或Azure OpenAI（单一部署）。

运作原理

建筑

Frontend (Next.js)
    │
    ├─ POST /v1/jobs/start ───► Backend API (FastAPI, port 1337)
    ├─ GET  /v1/jobs/{id}           ├─► PostgreSQL (job state)
    ├─ GET  /v1/jobs/history        ├─► Secrets Service (port 8081)
    ├─ GET  /v1/jobs/daily-limit    └─► RabbitMQ (job queue)
    └─ MCP tools
                                             │
                                        Instancer (consumer)
                                              │
                                    ┌─────────┴──────────┐
                                    ▼                    ▼
                              Docker backend       K8s backend (optional)
                                    │                    │
                                    └────────┬───────────┘
                                             ▼
                                      Worker container
                                        ├─► Secrets Service (fetch bundle)
                                        ├─► (optional) OAI Proxy / Azure OpenAI
                                        └─► Results Service (port 8083)

流动

1. 用户或MCP客户端向后端提交一个压缩的合同文件（以及可选的OpenAI API密钥）。
2. 后端在Postgres中创建一个作业，在Secrets Service中存储一个秘密包，并发布到RabbitMQ。
3. 实例化器使用消息并启动一个worker（Docker或K8s）。
4. Worker获取包，提取zip到 audit/，并运行Codex检测专用代理（参见 backend/worker_runner/).
5. 代理人写道 submission/audit.md。工作人员验证JSON报告并将其上传到结果服务。
6. 前端或MCP客户端轮询作业状态并显示报告。

安全

工人运行LLM驱动的代理 不可信的 上传的代码。将工作运行时（文件系统、日志、输出）视为不受信任。

看 安全.md 用于信任模型和操作指导。

凭证处理：

• 直接BYOK（默认） --Worker收到一个明文OpenAI密钥。
• 代理令牌模式 --Worker收到一个不透明的令牌；请求通过 oai_proxy （密钥永远不会离开代理）。
• Azure OpenAI --配置 AZURE_OPENAI_*worker使用env中的单个部署名称。

入门

先决条件

• 码头工人
• 包子 （前端）

1.建立基地和工人形象

cd backend
docker build -t evmbench/base:latest -f docker/base/Dockerfile .
docker build -t evmbench/worker:latest -f docker/worker/Dockerfile .

2.配置并启动堆栈

cp .env.example .env
# Edit .env: set DATABASE_DSN, RABBITMQ_DSN, BACKEND_JWT_SECRET, etc.
# For proxy-token mode: BACKEND_OAI_KEY_MODE=proxy, OAI_PROXY_AES_KEY=...
docker compose up -d --build

3.启动前端

cd frontend
bun install
bun dev

• 前端： http://127.0.0.1:3000
• 后端配置： http://127.0.0.1:1337/v1/integration/frontend

看 后端/README.md 有关MCP、环境变量和部署详细信息。

关键服务

项目结构

.
├── README.md
├── SECURITY.md
├── LICENSE
├── frontend/           Next.js UI (upload, model selection, report view)
├── backend/
│   ├── api/            FastAPI API (jobs, auth, integration, MCP)
│   ├── instancer/      RabbitMQ consumer; Docker/K8s worker launcher
│   ├── secretsvc/      Bundle storage
│   ├── resultsvc/      Result ingestion + DB
│   ├── oai_proxy/      Optional OpenAI proxy (profile: proxy)
│   ├── prunner/        Optional cleanup of stale workers (profile: cleanup)
│   ├── worker_runner/  Detect prompt, model map, Codex runner script
│   ├── docker/         Base, backend, and worker images
│   └── compose.yml     Full stack
└── deploy/             Deployment scripts (e.g. GCE)

许可证

致谢

• evmBench/边境评估 --原始基准和代理工具。
• OtterSec团队（es3n1n、jktrn、TrixterTheTux、sahuang）——前端和工具支持。