Google abre o código do Mantis, framework de agentes que reduz falso positivo em scan de vulnerabilidade

O Google abriu o código do Mantis, um framework de agentes de IA↳Agentes de IA42 conteúdosOpera passa a integrar ChatGPT, Claude e outros agentes de IADev (Back & Front) · mar 2026Operações mais inteligentes, decisões mais rápidas: o impacto da IA agêntica na rotina de TIAI · abr 2026Adobe aposta em orquestração de agentes de IA: o que muda para devsDev (Back & Front) · abr 2026Ver tudo em AI → que automatiza o ciclo de vida de uma vulnerabilidade de software: identificar, validar, reproduzir e corrigir. O projeto está disponível no GitHub e nasceu para atacar um problema específico e conhecido de quem já tentou plugar LLM em análise de código: a enxurrada de falsos positivos e bugs alucinados.

Segundo o Google, ferramentas de scanning baseadas em IA feitas de forma desleixada costumam entregar taxas de verdadeiro-positivo abaixo de 7%, ou seja, mais de 93% do que sai da máquina não é vulnerabilidade real. Para quem trabalha com segurança, isso não é um detalhe: cada achado falso vira um ticket que alguém precisa abrir, investigar e fechar. É exatamente essa triagem que o Mantis tenta automatizar.

O problema que a fonte descreve

O ponto de partida do Mantis é a crítica ao scanning por força bruta, aquele que varre arquivo por arquivo jogando tudo no modelo e torcendo para o resultado fazer sentido. O Google descreve uma abordagem diferente:

While sloppiness in AI code scanning frequently leads to hallucinated bugs and weak true-positive rates under 7%, we designed Mantis to be effective by combining industry-standard agentic techniques like critic and review agents with sandboxed reproduction of vulnerabilities for grounding.

Google, sobre o Mantis

Em vez de varrer cegamente, o Mantis analisa o histórico do repositório, correções de segurança anteriores, a arquitetura e o modelo de ameaças. Ele condensa os arquivos analisados numa árvore hierárquica com contexto de diretório e de repositório, o que, segundo o Google, reduz o uso de tokens em 85% mantendo a informação estrutural relevante. Para quem paga a conta da API do modelo, esse número importa tanto quanto a acurácia.

Como os agentes se dividem

O Mantis é organizado como um conjunto modular de skills, com mais de 15 ferramentas que rodam em sequência ou em paralelo. As etapas se comunicam lendo e escrevendo num estado compartilhado gravado em disco, um design simples que facilita depurar e encadear passos. Alguns dos agentes descritos pela fonte:

• Strategist: avalia a estrutura de alto nível do código, modelos de ameaça e grafos de dependência.
• Research (mantis-researcher): usa busca interna no código para examinar os arquivos brutos em profundidade, rastreando fluxo de dados, fluxo de controle e lógica de sanitização.
• Critic (mantis-critic) e Reviewer (mantis-review): filtram falsos positivos e priorizam achados que fazem sentido.
• Reproduce (mantis-reproduce): escreve reprodutores de crash funcionais.
• Patch (mantis-patch): gera correções sem efeitos colaterais.
• Summarize (mantis-summarize) e Dedupe (mantis-dedupe): resumem o código e agrupam padrões de texto parecidos.

O diferencial em relação a um scanner convencional está no passo de reprodução em sandbox: em vez de confiar apenas no julgamento do LLM, o Mantis tenta reproduzir o achado num ambiente controlado, produzindo evidência de que a vulnerabilidade é real. É a diferença entre "o modelo acha que isso é uma falha" e "aqui está o crash que prova que é".

Modelos diferentes para tarefas diferentes

Um ponto prático que a fonte destaca é a orientação de casar o modelo certo com cada tarefa, em vez de usar sempre o modelo mais pesado.

To maximize the speed and efficiency of your automated pipeline, you should strategically pair the right AI model class with the specific task. You do not need to use the heaviest, most advanced frontier models for every stage.

Google

Na recomendação do Google, tarefas que não exigem raciocínio profundo, como a classificação rápida do mantis-researcher ou o agrupamento de padrões do mantis-dedupe, podem rodar em variantes "flash" ou "lite". Já etapas que pedem entendimento contextual e resolução zero-shot, como o mantis-reproduce (que escreve os reprodutores de crash) e o mantis-patch (que gera as correções), pedem modelos mais capazes. Na prática, isso é uma estratégia de custo: você não queima o modelo caro em triagem barata.

O filtro de falso positivo tem ressalva

O estágio mantis-review aplica um filtro negativo baseado em regras para eliminar prováveis falsos positivos. Mas o Google faz uma advertência que vale sublinhar: o filtro deve ser usado com cautela, porque achados de baixo risco não devem ser automaticamente classificados como falso positivo. Um filtro negativo largo demais pode reduzir a capacidade do sistema de detectar vulnerabilidades reais.

Ou seja, o Mantis não promete zerar o ruído. A própria documentação reconhece que todo sistema de scanning gera falsos positivos, às vezes num número "frustrante", e que ajustar o filtro é um trade-off entre menos barulho e menos cobertura.

O que muda para quem constrói software no Brasil

O Mantis se encaixa no movimento interno do Google de achar e corrigir vulnerabilidades em velocidade de máquina. Para o dev e o time de AppSec por aqui, alguns pontos concretos:

• É um harness, não um produto fechado. Sendo open-source e modular, dá para plugar os estágios num pipeline existente, escolher quais rodar e usar os modelos que você já tem contrato, incluindo variantes mais baratas nas etapas triviais.
• A promessa central é reduzir trabalho de triagem. Se o passo de reprodução em sandbox entregar mesmo o que promete, a economia não está só no scan, e sim nas horas que hoje se perdem confirmando à mão se um achado é real.
• O número de token importa tanto quanto a acurácia. A redução de 85% no uso de tokens que o Google cita é o tipo de dado que decide se rodar isso em escala cabe no orçamento.

Fica em aberto o principal: o Google divulgou a arquitetura e a taxa de verdadeiro-positivo abaixo de 7% como o problema do mercado, mas a nota da InfoQ não traz um número de acurácia do próprio Mantis em benchmark reproduzível. Vale acompanhar a validação por terceiros antes de confiar cegamente na triagem automática, ainda mais em base de código sensível. O guia de referência dos agentes traz o detalhamento de cada estágio, os contratos entre eles e as boas práticas de uso.

Fonte: InfoQ