Scout与Strategist机制揭秘Hound如何用动态模型切换兼顾成本与推理深度【免费下载链接】houndLanguage-agnostic AI auditor that autonomously builds and refines adaptive knowledge graphs for deep, iterative code reasoning.项目地址: https://gitcode.com/gh_mirrors/hound8/hound面对一份动辄上万行的智能合约或后端代码库人工审计师往往需要专人专岗新手负责翻代码、梳理调用关系资深专家则在你把材料备齐后一针见血指出问题所在。开源AI代码审计工具Hound就把这套师徒协作搬进了自动化流程——它用轻量级Scout模型负责探索用重量级Strategist模型负责深度推理通过动态模型切换在审计成本和推理深度之间找到了平衡点。本文就带你拆解这套机制的完整工作方式。什么是Scout与StrategistAI审计的学徒与专家在传统方案里一个模型要同时干读代码和想问题两件事结果往往是成本高、深度浅。Hound 的解法是角色分离把审计拆成两个专职岗位Scout探索者对应源码中的 AutonomousAgent是一个轻量、低成本的模型。它的日常是加载知识图谱、读取代码节点、记录观察与假设、维护上下文相当于到处翻资料、做笔记的学徒。Strategist策略师对应 strategist.py 中的高级规划器只在关键时刻出场。它负责两件事——plan_next规划下一轮该调查哪里和deep_think对 Scout 收集到的代码切片做深度推理产出高质量漏洞假设。这种动态模型切换模式模仿了真实专家的协作方式学徒先跑腿把食材备齐专家才下厨把精力花在最值得深挖的地方。动态模型切换如何工作一次审计的完整分工流程一次标准审计中Scout 与 Strategist 的协作大致遵循这样的节奏Scout 打前站加载系统架构图、读取节点和源码把观察到的现象写进知识图谱形成当前理解了哪些、怀疑哪里的上下文。Scout 呼叫专家当代码切片收集得足够完整时Scout 调用deep_think把压缩后的上下文交给 Strategist而不是自己凭猜测下结论——源码里甚至明确约束没有装载足够代码上下文5-10个以上节点就禁止调用。Strategist 深度推理专家基于图谱、已有假设和覆盖率数据输出结构化假设漏洞类型、根因、攻击向量、影响的节点ID、严重度、置信度并给出下一步调查建议。Scout 继续执行带着专家的指引继续探索循环往复直到调查完成。整个协作通过 UnifiedLLMClient 统一调度它按 profile 为不同角色路由到各自的模型并内置了优雅的回退逻辑比如strategist配置缺失时会依次回退到guidance、agent保证流程不中断。成本与推理深度的平衡术模型配置实战动态模型切换最直观的收益写在配置里。打开 config.yaml.example 可以看到典型的分工scout角色默认配置gpt-5-mini这类轻量模型负责高频的探索动作单次成本极低strategist角色则配置gpt-5这类强推理模型并单独指定plan_reasoning_effort: medium和hypothesize_reasoning_effort: high把贵的算力精准花在规划和假设形成上负责建图的graph角色则用大上下文模型如gemini-2.5-promax_context可达 100 万 token。这样设计的结果是90% 的琐碎调用由廉价模型完成只有最关键的思考环节才动用旗舰模型整体成本被大幅压下来而推理深度几乎没有损失。Hound 还会通过 token_tracker.py 记录每个角色的 token 消耗方便你复盘成本分布。从Sweep到Intuition两阶段审计的自动策略切换Hound 的动态模型切换不止体现在角色上还体现在审计阶段上。结合 README 中的工作流审计被分为两阶段Sweep 模式Phase 1 覆盖率优先Scout 先对所有组件做系统性扫描覆盖每个合约、模块、类建立基础理解。此时 Strategist 的规划偏向aspect面状调查目标是不遗漏。Intuition 模式Phase 2 深度优先当覆盖率超过 90%系统自动切换到直觉驱动模式Strategist 会优先追踪资金流、权限绕过、状态破坏等高价值目标输出suspicion点状怀疑把火力集中在最可能出大问题的交叉组件上。对应地命令行里只需切换模式即可触发这套策略./hound.py agent audit myaudit --mode sweep ./hound.py agent audit myaudit --mode intuition --time-limit 300这种覆盖广度与推理深度分阶段切换的设计让 Hound 既不会漏掉浅层漏洞也不会在深层分析上浪费资源。质量保障去重与二次审查如何减少误报深度推理模型容易脑补为了控制误报Strategist 内置了两道保险严格去重deep_think的提示词会列出已有假设清单要求模型不得重复同一根因、同一代码路径的漏洞从源头避免假设膨胀。可选二次审查开启strategist_two_pass_review后Strategist 会以怀疑派评审员身份对候选假设逐条复核拒绝缺乏明确证据或存在缓解措施的项最终只保留最多 3 条高质量假设。此外hypothesis_dedup.py 和上下文压缩机制默认上下文使用率达 75% 时自动压缩历史共同保证了长时审计中上下文窗口不被撑爆让推理始终聚焦。上手体验三分钟跑通一次动态模型切换审计想亲身体验这套机制克隆仓库后按下面的步骤即可git clone https://gitcode.com/gh_mirrors/hound8/hound cd hound pip install -r requirements.txt cp config.yaml.example config.yaml # 按需配置 scout / strategist 模型 ./hound.py graph build myaudit --auto --files src/A.sol,src/B.sol ./hound.py agent audit myaudit --mode sweep审计完成后还可以通过./hound.py project hypotheses myaudit查看假设的置信度与状态配合可视化工具 dynamic_graph_viz.py 直观回看整个探索路径。小结Hound 用 Scout 与 Strategist 的动态模型切换机制把谁来干活和谁来做决定彻底分开既守住了审计质量的上限也守住了成本的下限。对于想要在预算内获得深度代码审计结果的团队来说这套学徒探索、专家把关的思路或许是 AI 审计领域值得借鉴的范本。【免费下载链接】houndLanguage-agnostic AI auditor that autonomously builds and refines adaptive knowledge graphs for deep, iterative code reasoning.项目地址: https://gitcode.com/gh_mirrors/hound8/hound创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Scout与Strategist机制揭秘：Hound如何用动态模型切换兼顾成本与推理深度？
Scout与Strategist机制揭秘Hound如何用动态模型切换兼顾成本与推理深度【免费下载链接】houndLanguage-agnostic AI auditor that autonomously builds and refines adaptive knowledge graphs for deep, iterative code reasoning.项目地址: https://gitcode.com/gh_mirrors/hound8/hound面对一份动辄上万行的智能合约或后端代码库人工审计师往往需要专人专岗新手负责翻代码、梳理调用关系资深专家则在你把材料备齐后一针见血指出问题所在。开源AI代码审计工具Hound就把这套师徒协作搬进了自动化流程——它用轻量级Scout模型负责探索用重量级Strategist模型负责深度推理通过动态模型切换在审计成本和推理深度之间找到了平衡点。本文就带你拆解这套机制的完整工作方式。什么是Scout与StrategistAI审计的学徒与专家在传统方案里一个模型要同时干读代码和想问题两件事结果往往是成本高、深度浅。Hound 的解法是角色分离把审计拆成两个专职岗位Scout探索者对应源码中的 AutonomousAgent是一个轻量、低成本的模型。它的日常是加载知识图谱、读取代码节点、记录观察与假设、维护上下文相当于到处翻资料、做笔记的学徒。Strategist策略师对应 strategist.py 中的高级规划器只在关键时刻出场。它负责两件事——plan_next规划下一轮该调查哪里和deep_think对 Scout 收集到的代码切片做深度推理产出高质量漏洞假设。这种动态模型切换模式模仿了真实专家的协作方式学徒先跑腿把食材备齐专家才下厨把精力花在最值得深挖的地方。动态模型切换如何工作一次审计的完整分工流程一次标准审计中Scout 与 Strategist 的协作大致遵循这样的节奏Scout 打前站加载系统架构图、读取节点和源码把观察到的现象写进知识图谱形成当前理解了哪些、怀疑哪里的上下文。Scout 呼叫专家当代码切片收集得足够完整时Scout 调用deep_think把压缩后的上下文交给 Strategist而不是自己凭猜测下结论——源码里甚至明确约束没有装载足够代码上下文5-10个以上节点就禁止调用。Strategist 深度推理专家基于图谱、已有假设和覆盖率数据输出结构化假设漏洞类型、根因、攻击向量、影响的节点ID、严重度、置信度并给出下一步调查建议。Scout 继续执行带着专家的指引继续探索循环往复直到调查完成。整个协作通过 UnifiedLLMClient 统一调度它按 profile 为不同角色路由到各自的模型并内置了优雅的回退逻辑比如strategist配置缺失时会依次回退到guidance、agent保证流程不中断。成本与推理深度的平衡术模型配置实战动态模型切换最直观的收益写在配置里。打开 config.yaml.example 可以看到典型的分工scout角色默认配置gpt-5-mini这类轻量模型负责高频的探索动作单次成本极低strategist角色则配置gpt-5这类强推理模型并单独指定plan_reasoning_effort: medium和hypothesize_reasoning_effort: high把贵的算力精准花在规划和假设形成上负责建图的graph角色则用大上下文模型如gemini-2.5-promax_context可达 100 万 token。这样设计的结果是90% 的琐碎调用由廉价模型完成只有最关键的思考环节才动用旗舰模型整体成本被大幅压下来而推理深度几乎没有损失。Hound 还会通过 token_tracker.py 记录每个角色的 token 消耗方便你复盘成本分布。从Sweep到Intuition两阶段审计的自动策略切换Hound 的动态模型切换不止体现在角色上还体现在审计阶段上。结合 README 中的工作流审计被分为两阶段Sweep 模式Phase 1 覆盖率优先Scout 先对所有组件做系统性扫描覆盖每个合约、模块、类建立基础理解。此时 Strategist 的规划偏向aspect面状调查目标是不遗漏。Intuition 模式Phase 2 深度优先当覆盖率超过 90%系统自动切换到直觉驱动模式Strategist 会优先追踪资金流、权限绕过、状态破坏等高价值目标输出suspicion点状怀疑把火力集中在最可能出大问题的交叉组件上。对应地命令行里只需切换模式即可触发这套策略./hound.py agent audit myaudit --mode sweep ./hound.py agent audit myaudit --mode intuition --time-limit 300这种覆盖广度与推理深度分阶段切换的设计让 Hound 既不会漏掉浅层漏洞也不会在深层分析上浪费资源。质量保障去重与二次审查如何减少误报深度推理模型容易脑补为了控制误报Strategist 内置了两道保险严格去重deep_think的提示词会列出已有假设清单要求模型不得重复同一根因、同一代码路径的漏洞从源头避免假设膨胀。可选二次审查开启strategist_two_pass_review后Strategist 会以怀疑派评审员身份对候选假设逐条复核拒绝缺乏明确证据或存在缓解措施的项最终只保留最多 3 条高质量假设。此外hypothesis_dedup.py 和上下文压缩机制默认上下文使用率达 75% 时自动压缩历史共同保证了长时审计中上下文窗口不被撑爆让推理始终聚焦。上手体验三分钟跑通一次动态模型切换审计想亲身体验这套机制克隆仓库后按下面的步骤即可git clone https://gitcode.com/gh_mirrors/hound8/hound cd hound pip install -r requirements.txt cp config.yaml.example config.yaml # 按需配置 scout / strategist 模型 ./hound.py graph build myaudit --auto --files src/A.sol,src/B.sol ./hound.py agent audit myaudit --mode sweep审计完成后还可以通过./hound.py project hypotheses myaudit查看假设的置信度与状态配合可视化工具 dynamic_graph_viz.py 直观回看整个探索路径。小结Hound 用 Scout 与 Strategist 的动态模型切换机制把谁来干活和谁来做决定彻底分开既守住了审计质量的上限也守住了成本的下限。对于想要在预算内获得深度代码审计结果的团队来说这套学徒探索、专家把关的思路或许是 AI 审计领域值得借鉴的范本。【免费下载链接】houndLanguage-agnostic AI auditor that autonomously builds and refines adaptive knowledge graphs for deep, iterative code reasoning.项目地址: https://gitcode.com/gh_mirrors/hound8/hound创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考