企业官网建设流程全解析

系列：AI 编程工具生态挖掘 ｜ 字数：约 2700 字 ｜ 预计阅读：6 分钟

前八篇都在讲怎么让 AI 做得更多、更快、更好。这篇反过来——在速度和质量的另一面，有两个问题随着使用量增长会越来越扎眼。

一个是安全。AI 写到第 10 个需求时不会故意写 SQL 注入，但第 50 个需求你审查累了直接 Approve，安全漏洞就溜进去了。

一个是成本。按量付费的 API 模式下，AI"话多"就是烧钱。上下文过长、回复过于详细、重复改同一个文件——token 像水龙头没关紧一样流走。

这篇测两个工具——AgentShield 拦截安全问题，cozempic 砍掉不必要的 token。

AgentShield 安全扫描——在 AI 输出代码时自动拦截漏洞

AgentShield 是 ECC 内置的安全扫描模块，1282 项测试，102 条规则，三 Agent 流水线：红队（攻击）→ 蓝队（防御）→ 审计员（最终判定）。

# 如果在 ECC 全家桶里，已自动包含npx skills@latestaddaffaan-m/everything-claude-code

或者单独安装 AgentShield skill。

实测：让 AI 写一个用户搜索接口

用户: 写一个根据用户名搜索用户的 API 端点 Claude Code: [+] routes/users.py: @app.route('/users/search') def search_users(): query = request.args.get('q') sql = f"SELECT * FROM users WHERE username LIKE '%{query}%'" result = db.engine.execute(sql) return jsonify([dict(r) for r in result]) AgentShield (自动触发): SEVERE: SQL injection vulnerability in search_users() Line 4: f-string SQL construction with unsanitized user input Attack vector: ?q='; DROP TABLE users; -- WARNING: Direct engine.execute() bypasses ORM protections Line 6: raw SQL execution without parameterized query RESULT: BLOCKED — 1 severe, 1 warning

AI 写出了 SQL 注入——不是故意的，是它没考虑到这个上下文里需要参数化查询。AgentShield 在代码落地之前拦住了。

它能拦住的：

它拦不住的：

• 业务逻辑漏洞。正确实现了错误的规则——代码没有安全漏洞，但设计有缺陷
• 上下文相关的权限问题。用户 A 能不能访问用户 B 的数据——AgentShield 不知道业务规则
• 加密算法选择。用 AES 还是 ChaCha20——它只检查有没有加密，不检查选型

AgentShield 的作用是拦截低级错误——那些不是因为设计不好、而是审查时漏掉的常见漏洞。不能替代安全审计。

cozempic Token 优化——别废话、别超载、别死循环

Token 烧钱的地方通常是三种：

1. AI 聊天太啰嗦。“让我来分析一下…” + 三段解释 + 代码，实际只需要代码
2. 上下文过长。CLAUD.md 里堆了 500 行规则、注入了整个 API 文档、把 8 个文件的内容全塞进去
3. Agent 反复修同一个文件。写了改、改了写，每轮都烧 token

cozempic（社区项目，非 ECC 内置）针对这三类浪费做了优化。13 种剪枝策略。

安装：

npx skills@latestaddcozempic-skills

实测效果：

做了一个对比——同一个需求（加 CSV 导出功能），开了 cozempic 和没开的 token 消耗差异。

关键差异在哪：

"别废话"模式。cozempic 在 prompt 里加了一条约束：

Be concise. Output code directly without preamble. If fixing a bug, state the fix in one line, show the code, stop.

AI 的回复从"让我来分析一下你的需求。你需要一个 CSV 导出功能，这涉及到…"变成直接出代码。节省 40%。

上下文修剪。cozempic 启动时自动检测 CLAUDE.md 和项目文件大小，超过阈值给出建议：

⚠️ CLAUDE.md is 847 lines (36KB). Consider: - Removing examples (lines 210-340 are annotated code samples) - Moving "project history" section to a separate doc Estimated token savings: 2,100 tokens/session

我照建议砍了示例代码和历史记录部分，CLAUDE.md 从 847 行缩到 320 行。每次会话启动省了 2100 token。

死循环检测。Agent 反复改同一个文件超过 3 次时，自动暂停：

ⓘ agent has modified `routes/orders.py` 3 times in this session. Consider: - Is the requirement clear? - Should the approach be re-planned? Last 3 changes: (shown) Continue? [Y/n]

这个提醒帮我避免了至少两次 Agent 钻牛角尖——发现方向错了之后重新描述需求，节省的 token 远超过拦截本身的开销。

安全 + 成本

AgentShield (PreToolUse hook): AI 写代码 → 自动扫描 → 有安全问题就拦 不增加 token 消耗（用 hook 机制，不是 LLM 分析） cozempic (系统 prompt 注入 + 运行时检测): AI 少说废话 → 上下文别太大 → 不要反复改同一个文件 每会话节省 30-70%

AgentShield 是防守端的必要开销，cozempic 是进攻端的效率提升。一矛一盾，互不冲突。

不在工具列表上但实际最有效的安全措施

测了两周社区安全工具，最有效的防线不是 AgentShield 也不是 cozempic——是一个.claude/settings.json里的 Bash 权限配置（前一个专栏的第 10 篇和第 12 篇讲过）：

{"permissions":{"deny":["Bash(rm *)","Bash(sudo *)","Bash(curl *)","Bash(wget *)","Bash(ssh *)"]}}

工具拦代码漏洞，权限拦破坏性操作。两层独立防守，任何一个失效都有另一个兜底。

下一篇

最后一篇——中文生态专题。ECC 中文版、superpowers-zh、happy-claude-skills，以及国内社区在做什么。