Özgür Işık Damar

KI-Code-Governance2026

Membrane AI

Prüft KI-Diffs, maskiert gefundene Secrets und bewacht den Merge – Modelle optional.

Open Source · MIT · deterministischer Kern

membrane-ai · local build

Belege

Services: 6 in Go, 1 in Python
7
services/
Standard-Analysebudget vor dem Fallback
1,2 s
services/orchestrator/internal/config/config.go
Go-Testfunktionen
173
**/*_test.go
Einträge im Entscheidungs­log
36
docs/DECISIONS.md

Jede Zahl stammt aus einer Datei im Repository – der Pfad steht darunter.

Das Problem

KI-Coding-Agenten sind schneller als das Review um sie herum, und klassische AppSec-Werkzeuge sehen ihren Code meist erst nach dem Commit oder im Pull Request. Ein LLM als Reviewer bringt eigene Probleme mit: Ein in den Diff gerutschter Schlüssel würde beim Modellanbieter landen, ein Review durch ein Spitzenmodell bei jedem Push ist teuer, und ein Merge-Gate muss sich das Vertrauen des Teams verdienen, bevor es blockieren darf.

Der Ansatz

Diffs kommen per Webhook oder gRPC-Stream und gelangen über Kafka zu einer Go-Saga, die eine Kette von Stufen in einem Zeitbudget von 1,2 Sekunden abarbeitet (Standardwert): Ein Treffer im Blake3-Cache überspringt die Kette, und sobald der Analyzer die erkannten Zugangsdaten maskiert hat, ersetzt die maskierte Kopie den Diff für jede weitere Stufe. Erst nach dieser Übergabe folgen die Modellebenen: Bis ein vLLM-Endpunkt gesetzt ist, arbeitet eine transparente Heuristik, und der Konsens aus Claude und Gemini läuft nur, wenn die lokale Ebene einen Diff als riskant einstuft und die Premium-Ebene mit API-Schlüsseln freigeschaltet ist; fällt die Modellstufe aus, trägt das Urteil eine Warnung, statt die Befunde des Analyzers zu verlieren. Jedes Urteil wird mit seinem ausgehenden Event in einer einzigen Postgres-Transaktion geschrieben; ist ein GitHub-Token gesetzt, werden Urteile zu einem Commit als Commit-Status und bei Pull Requests zusätzlich als PR-Kommentar gemeldet. Envoy-Edge, AST-Prüfungen und AWS-Deployment in der Topologie-Grafik sind Zielarchitektur, kein Code.

Was bereits steht

  1. Maskiert der Analyzer ein Secret, erhält jede weitere Stufe den maskierten Diff – ein Unit-Test sichert das ab
  2. Bei Fehler oder Timeout einer Pflichtstufe übernimmt ein lokaler Secret-Scan; versagt er, prüft ein Mensch
  3. Eine Policy-API prüft MCP-Tool-Aufrufe und lehnt Pakete ab, deren Name um ein Zeichen von beliebten abweicht
  4. Im Shadow-Modus meldet das Gate Blockaden, ohne dass der Check scheitert – erst beobachten, dann durchsetzen

Zielarchitektur

teilweise gebaut
Membrane AI — Zieltopologie, kein Ist-Zustand: Go-Services, Kafka, Webhook/gRPC-Eingang gibt es; Prompt-Gateway, AWS, Envoy, EKS, S3-Tiering, WASM/AST fehlen, Modellebenen sind standardmäßig Platzhalter.
Zieltopologie, kein Ist-Zustand: Go-Services, Kafka, Webhook/gRPC-Eingang gibt es; Prompt-Gateway, AWS, Envoy, EKS, S3-Tiering, WASM/AST fehlen, Modellebenen sind standardmäßig Platzhalter.

Die Landingpage des Repos stellt Membrane als Immunsystem für KI-Code vor; standardmäßig ist das genannte lokale Modell eine Stichwort-Heuristik, die Ebene mit Claude und Gemini bleibt aus.

1 / 4
// Build-NotizenDer maskierte Diff ist der einzige Diff – Datenschutz per Konstruktion und seine GrenzenMembrane AI gibt jeder Modellstufe eine maskierte Kopie des Diffs, statt jeder das Schwärzen anzuvertrauen. Wie das funktioniert, was Graceful Degradation verbergen kann – und wo die Garantie endet.Zu den Build-Notizen