内容进入 AI 助手之前
- 在网页交给 AI 助手之前先扫描，捕捉隐藏提示词注入或指令夹带。
- 检查 HTML/HTM、SVG、MD/Markdown、营销页或公共网站中可能针对 AI 智能体的隐藏内容、注释与网页元数据。
- 当重定向边界影响信任决策时使用严格模式，并把部分覆盖说明带入决策。
真实使用场景
Veridicus Scan 今天支持的 AI 与智能体工作流场景。
把 Veridicus Scan 对应到实际的助手、文档、团队协作与本地 MCP 工作流。这些场景都基于当前已上线的产品面：通过系统共享表单接收链接、文件与所选文本；支持文档、邮件、日历、数据、网页与图片格式；供用户复核的报告；以及高级版本地 MCP 自动化。
文件上传或分享之前
- 先检查来自邮件、云存储或消息应用的 PDF 是否包含不可见或误导性文本，再将其分享给 LLM。
- 在助手处理 DOCX 前检查批注、修订、消失文本与元数据。
- 复核 EML 替代正文与受支持的文本附件、ICS 描述，或 XLSX 隐藏工作表与可疑公式。
- 检查 PNG、JPG/JPEG、WebP 或 GIF 中受支持的视觉信号与 QR 载荷；动画图片仅检查第一帧。
- 当内容不应上传到远程服务时，把 App 用作本地、保护隐私的扫描器。
扫描结果需要清晰留档时
- 为可疑文件或链接生成清晰的风险报告，让用户决定是否信任、分享或上传。
- 导出 JSON 或 PDF，满足内部审查、合规证据或事件追踪。
- 帮助安全或信任团队用结构化证据代替零散截图。
内容会进入更大的 AI 工作流时
- 通过系统共享表单送入链接、文件或所选文本，在内容进入下一项工具前取得紧凑的复核结果。
- 在第三方文档进入知识库、RAG 语料或智能体记忆系统前先做分流。
- 在内部 AI 工具处理前，先筛查供应商、客户或承包方文档。
- 在 AI 辅助招聘审核或 ATS 自动化运行前，先扫描简历、求职信与候选人作品集 URL。
系统需要在上线前得到强化时
- 在训练或基准数据集进入评估流程前，审查其中类似提示词注入的工件。
- 在 QA 与红队流程中测试已知提示词注入样本是否被正确识别。
- 针对分层设备端检测器测试 Base64、十六进制、URL 百分号编码、ROT13 与跨工件拆分的案例。
- 评估选定的西班牙语、中文与阿拉伯语模式，而不暗示覆盖所有语言。
扫描需要接入可重复的本地工作流时
- 在本地 App 运行时处于活动状态时，使用高级版
scan_text、scan_url、scan_file或scan_repo。 - 在智能体执行高风险计划或动作前，取得默认打码的报告或应用运行时护栏。
MCP 工作流
当扫描需要留在智能体工作流内部时，就使用 MCP。
高级版 MCP 模式是本地、前台、基于会话的，适合不止一次手动扫描的智能体工作流：检查文本、URL、文件或仓库，取得报告，并对计划或动作进行门控。
本地扫描与报告闭环
打开会话，选择 scan_text、scan_url、scan_file 或 scan_repo，取得或导出报告，然后关闭会话。
有边界的仓库输入
在智能体读取本地仓库或从中安装前使用 scan_repo。它提供输入强化信号，不是完整的仓库安全结论。
防护计划与动作
当扫描器需要参与运行时策略检查，而不只是检测时，使用 scope_tools、guard_plan 与 gate_action。
延伸阅读
选择与你下一项决策最相关的说明。
根据接下来需要决定的事项，继续了解信任边界、导出、URL 策略或智能体输入。
AI 求职申请筛查
了解如何在招聘流程的 AI 审核前扫描简历、求职信、作品样本与候选人链接。
MCP 自动化
了解本地、高级版、基于会话的 MCP 桥接层、受支持方法与运行时护栏模型。
本地优先信任模型
了解哪些内容留在设备端、何时发生网络抓取，以及导出证据如何保持有边界。
报告与导出
了解风险评分、发现项、覆盖说明与 PDF 或 JSON 导出如何协同。
HTTPS URL 扫描
了解严格模式、宽松模式、重定向边界，以及 URL 处理为何重要。
OpenClaw 输入安全
了解如何在 OpenClaw 读取可疑 URL、文件或粘贴内容前使用 Veridicus Scan。
下一步
根据内容用途，选择合适的扫描路径。
App 支持这些场景背后的核心产品面：系统共享表单输入、受支持文件与图片、用户主动发起的 HTTPS 扫描、供用户复核的报告、默认打码的导出，以及高级版本地前台 MCP 自动化。