LLM Fuzz CI：让编码 Agent 为测试生成对抗输入

AI 生成代码之后，测试常常仍只覆盖开发者预先想到的输入。Tiime Software 的 LLM Fuzz CI 采取了一个更克制的办法：开发者先写好断言，再让编码 Agent 为标记的测试构造对抗输入。模型负责探索输入空间，测试断言负责判断结果，不把“模型觉得可疑”直接等同于漏洞。

它适合已有 Python/JavaScript 测试、并希望在 GitHub Actions 中增加一轮 AI 辅助输入生成的团队。项目 README 展示了 pytest 与 Vitest 用法，并以 GitHub Actions 工作流串起收集目标、生成输入、运行测试与汇总报告。仓库当前标注 MIT 许可证；实际接入前仍应按团队的模型密钥和 CI 数据策略审查权限与费用。

核心思路：生成器与判定器分开

传统 fuzzing 通过变异或生成输入寻找程序边界行为；LLM Fuzz CI 则让编码 Agent 阅读被标记的测试及其调用方式，提出更有语义的输入。关键区别在于：Agent 产出候选输入，现有测试断言仍是判定依据。例如，测试可以要求 HTML 清理函数的结果不含