🔐 软件供应链 · 安全快讯

AI 智能体开始参与软件交付,企业需要可验证的信任基础设施

IBM 与 Red Hat 宣布扩展开源 Lightwell,推出面向企业的商业产品,把软件签名、来源追踪、工件验证与策略执行整合到同一套供应链信任方案中。

事件:Lightwell 商业化扩展 全文约 4 分钟读完 软件安全 / AI 工程
#Lightwell #软件供应链 #AI Agent #来源追踪
4 项能力 签名 · 来源 · 验证 · 策略
1个平台 覆盖软件交付全生命周期
4类基础 Sigstore、in-toto、SLSA、SBOM

注:数字仅概括产品公开描述中的能力范围与技术基础,不代表安全效果或漏洞消除数量。

⚡ 30 秒速览

  • 发生了什么:IBM 与 Red Hat 扩展 Lightwell,推出面向企业的软件供应链商业产品。
  • 它解决什么:让组织能够追踪软件从源代码、构建到部署的来源,并验证工件是否被篡改、是否符合策略。
  • 为什么现在需要:AI 生成代码、自动化工作流与自主交付,让软件变更的速度和数量同时上升。
  • 技术路线:Lightwell 以 Sigstore、in-toto、SLSA 和 SBOM 等安全标准或计划为基础,强调统一运行而非单点工具。
  • 诚实注脚:它能证明软件从哪里来、如何构建,却不能单独证明代码一定正确或没有漏洞。

01这次公告,真正卖的是什么?从开源项目到商业支持

过去,企业往往需要分别组装签名工具、来源追踪系统、策略引擎和生命周期管理组件。Lightwell 的商业化扩展,试图把这些能力放进一个更完整的交付流程中,降低企业采用供应链安全标准时的集成成本。

它的核心变化不是发明一种全新的安全概念,而是把已经逐渐成熟的信任机制,包装成更适合企业软件流水线运行的产品。

产品形态

以开源 Lightwell 项目为基础,提供带商业支持的企业级扩展。

信任对象

不再只关注人工编写的源代码,也覆盖 AI 生成工件、自动化工作流、基础设施变更和自主交付流程

验证目标

回答软件来自哪里、由谁或什么构建、使用了哪些依赖,以及交付过程中是否符合组织策略。

注:事实表按“产品形态—信任对象—验证目标”阅读,展示的是方案边界,不等同于产品部署后的实际安全评级。

02为什么这套方案有可信基础?它把证据串进交付链

软件供应链安全的关键,不只是发现漏洞,而是为每一个交付结果保留可验证证据。组织需要知道:构建是否发生在获批环境中,签名是否对应可信身份,产物是否由经过确认的源代码生成,并且在后续环节没有被替换。

Lightwell 的思路,是让“信任”伴随软件移动,而不是在发布前才进行一次孤立检查。

1

源代码

确认输入来自经过批准的仓库与版本。

2

构建环境

记录由谁、以何种工作负载完成构建。

3

工件签名

绑定可信身份,生成可校验的交付凭证。

4

策略验证

判断依赖、来源与流程是否符合规则。

5

部署追踪

保留从开发到生产的生命周期记录。

Sigstore in-toto SLSA SBOM

注:流程图表达的是“证据如何随软件流动”;四个标签是 Lightwell 所依托的标准、框架或计划,并非四个独立产品模块。

03它到底能做什么?把供应链控制变成可执行动作

商业产品的价值,主要体现在把安全标准转化为日常工程团队能够持续执行的动作。对于 AI 辅助开发环境,这一点比单次审计更重要:变更出现得越快,越不能依赖人工在最后一刻补证据。

01 · 工件签名

为构建产物绑定可信身份,帮助部署环节确认“是谁交付的”,并识别未经授权的替换。

02 · 来源信息生成

记录源代码、依赖、构建环境与生成过程,回答“这个工件是怎么来的”。

03 · 策略验证

在交付节点检查来源、签名和构建条件,阻止不符合组织规则的产物继续向生产环境流动。

04 · 生命周期管理

让信任信息不止停留在构建阶段,而是覆盖软件从开发、发布到部署后的持续管理。

这意味着企业可以减少自行拼接多个开源项目的工作,但并不意味着原有安全控制可以被删除。

注:四张能力卡对应公开披露的产品能力;“验证来源”与“验证代码是否安全”是两件不同的事。

04为什么 AI 让这件事变得更急?被信任的对象正在扩大

传统软件供应链安全,主要防范恶意代码进入构建流水线。但当 AI 智能体能够生成代码、修改基础设施、处理事件,甚至直接触发软件交付时,组织面对的风险不再只是“代码里有没有恶意内容”。

新的问题是:这次操作由谁发起?使用什么身份?调用了哪些工具?是否经过授权?最终产物能否回溯到明确的源代码和构建过程?

AI 生成工件 来源可证

  • 需要记录工件对应的源代码、依赖版本与构建环境。
  • 不能只因为“模型生成了代码”,就默认它可以进入生产环境。
验证重点:证明产物的来源与生成过程,而不是给模型输出自动授予可信身份。

自动化工作流 身份可追

  • 流水线、部署机器人和智能体都需要明确的工作负载身份。
  • 每次变更都应能够对应到执行者、执行时间和所遵循的策略。
验证重点:把“自动完成”转化成可以审计、可以追责的执行记录。

基础设施与自主交付 策略先行

  • AI 系统可能直接修改配置、触发部署或参与事件响应。
  • 组织需要在动作发生前定义权限边界,而不是事后依赖日志追查。
验证重点:策略即代码、加密证明和持续验证,需要共同约束自主系统。

注:案例卡是风险场景抽象,不代表 Lightwell 对每种场景都能独立完成全部控制;实际效果取决于身份、构建环境和策略配置。

05企业该怎样判断它是否有用?先问证据,再问工具

供应链产品最容易被误解的地方,是把“有签名”混同于“绝对安全”。签名只能说明某个身份对某个对象作出了确认;来源信息可以解释构建过程,但不能替代代码审查、漏洞扫描、依赖治理和运行时防护。

因此,评估这类方案时,建议先检查它能否持续回答下面三个问题。

证据是否完整?

能否从生产工件一路回溯到源代码、依赖、构建环境与执行身份,而不是只保存一张孤立的签名。

策略是否真正阻断?

规则是否进入交付流程并产生实际决策,还是只在系统里留下无法影响部署的记录。

智能体权限是否可追责?

每次自动化操作是否绑定明确身份、最小权限和可审计证据,出了问题能否定位责任边界。

注:清单从“证据完整性、策略有效性、执行可追责”三个维度出发,适合用于企业内部选型或安全评审。

编辑核心判断

Lightwell 解决的是“软件能否被证明可信”的供应链问题,不是“代码是否天然正确”的安全问题。真正成熟的 AI 交付体系,必须把来源证明、权限控制、代码审查与运行时防护放在同一条责任链上。因此,AI 软件交付的行业门槛,正在从“能不能生成”转向“能不能证明并承担责任”。

从一条交付链开始

如果你负责企业研发或平台工程,可以先盘点现有流水线:生产工件能否回溯来源,自动化身份是否清晰,策略是否真正参与部署决策。

获取方式:从 Lightwell 开源项目入手,或向 IBM、Red Hat 了解商业扩展