使用说明
🛡️ MCP服务器：CVE智能
一种模型上下文协议（MCP）服务器，提供 多源脆弱性情报 用于人工智能驱动的安全操作。将三个免费、权威的数据源组合到一个统一的接口中，不需要API密钥。
“我应该对这个CVE感到恐慌吗？” --这个服务器回答了这个问题。
为什么选择此服务器？
大多数CVE工具只给你一个CVSS分数。但安全团队需要知道：
- 有多严重？ → CVSS评分（来自NVD）
- 它现在被利用了吗？ → CISA KEV目录
- 剥削的可能性有多大？ → EPSS概率得分
此服务器将所有三个组合成一个 单一风险判定.
┌─────────────────────────────────────────────────────────┐
│ mcp-server-cve-intel │
│ │
│ ┌─────────────┐ ┌──────────────┐ ┌───────────────┐ │
│ │ NVD (NIST) │ │ CISA KEV │ │ EPSS │ │
│ │ CVE details │ │ Known │ │ Exploit │ │
│ │ CVSS scores │ │ Exploited │ │ Prediction │ │
│ │ References │ │ Vulns catalog│ │ Probability │ │
│ └──────┬──────┘ └──────┬───────┘ └───────┬───────┘ │
│ └────────────────┼──────────────────┘ │
│ ▼ │
│ 🎯 UNIFIED RISK VERDICT │
│ "CVE-2021-44228: CVSS 10.0, ACTIVELY EXPLOITED, │
│ 97.5% chance of exploitation → 🚨 PATCH NOW" │
└─────────────────────────────────────────────────────────┘
特性
- 🔍 CVE查找 --来自3个来源的任何CVE的完整情报报告
- 🔎 CVE搜索 --按关键字（产品、供应商、类型）搜索漏洞
- 🚨 CISA KEV馈电 --最新被积极利用的漏洞
- 📊 EPSS分数 --利用概率预测（未来30天）
- 🎯 风险判定 --结合所有因素的自动风险评分
- 🆓 不需要API密钥 --所有数据源都是免费和公开的
- 🏠 本地+远程 --支持stdio和SSE传输
快速开始
1.安装
git clone https://github.com/gopichand458/mcp-server-cve-intel.git
cd mcp-server-cve-intel
pip install -r requirements.txt
2.运行本地（适用于克劳德桌面）
python server.py
添加到您的 claude_desktop_config.json:
{
"mcpServers": {
"cve-intel": {
"command": "python",
"args": ["/FULL/PATH/TO/mcp-server-cve-intel/server.py"]
}
}
}
3.运行远程（可共享的SSE服务器）
python server.py --remote
# → Available at http://localhost:8000/sse
可选：NVD API密钥（用于更高的速率限制）
服务器在没有API密钥的情况下工作，但NVD将未经验证的请求限制为每30秒5次。获得50个请求/30秒的免费密钥：
# Request key at: https://nvd.nist.gov/developers/request-an-api-key
export NVD_API_KEY="your-key-here"
python server.py
工具
cve_lookup --CVE完整情报报告
结合所有3个来源，获取特定CVE的全面情报。
Input: cve_lookup(cve_id="CVE-2021-44228")
Output: {
"cve_id": "CVE-2021-44228",
"description": "Apache Log4j2 <=2.14.1 JNDI features...",
"cvss_score": 10.0,
"severity": "CRITICAL",
"epss": {
"score_percent": "97.5%",
"interpretation": "🔴 CRITICAL — Very high probability of exploitation"
},
"cisa_kev": {
"in_kev_catalog": true,
"actively_exploited": true,
"known_ransomware_use": "Known"
},
"risk_verdict": {
"overall": "🚨 CRITICAL — Immediate action required. Patch NOW.",
"risk_score": "100/100",
"risk_factors": [
"🔴 CVSS Critical (9.0+)",
"🔴 ACTIVELY EXPLOITED (in CISA KEV)",
"🔴 USED IN RANSOMWARE CAMPAIGNS",
"🔴 EPSS 97.5% — Very likely to be exploited"
]
}
}
cve_search --按关键字搜索
Input: cve_search(keyword="Microsoft Exchange", limit=5)
Output: List of matching CVEs with CVSS scores and severity
cve_recent_kev --积极利用漏洞
Input: cve_recent_kev(limit=10)
Output: Latest additions to CISA's Known Exploited Vulnerabilities catalog
cve_epss_score --利用概率
Input: cve_epss_score(cve_id="CVE-2024-3094")
Output: EPSS score with probability and percentile interpretation
资源
| URI | 描述 |
|---|---|
cve-intel://about |
服务器信息和数据源详细信息 |
cve-intel://severity-guide |
CVSS/EPS/KEV解释指南 |
提示
| 提示 | 描述 |
|---|---|
vulnerability_assessment |
CVE评估工作流程指南 |
threat_briefing |
当前威胁形势简报 |
对话示例
连接到Claude Desktop后：
你： “告诉我CVE-2024-3094”
克劳德： 调用cve_lookup → 提供完整的报告，包括CVSS、EPSS、开发状态和风险判断
你： “现在正在积极利用什么？”
克劳德： 调用cve_recent_kev → 列出CISA KEV的最新补充内容及补救指南
你： “查找Apache Struts中的漏洞，并告诉我先修补哪些漏洞”
克劳德： 调用cve_search+cve_epss_score → 搜索，按EPSS排名，建议优先级
数据源
| 来源 | 它提供什么 | 速率限制 | 授权 |
|---|---|---|---|
| NVD（NIST） | CVE详细信息、CVSS分数、CWE、参考文献 | 5个要求/30s（免费）、50/30s（带密钥） | 可选 |
| CISA-KEV | 积极利用CVE，补救截止日期 | 无限制 | 无 |
| EPSS（FIRST.org） | 未来30天的漏洞利用概率（0-100%） | 无限制 | 无 |
兼容性
| 客户端 | 支持 |
|---|---|
| 克劳德桌面 | ✅ （stdio） |
| 克劳德代码 | ✅ |
| 光标 | ✅ |
| VS代码+副本 | ✅ |
| 任何MCP客户端 | ✅ |
项目结构
mcp-server-cve-intel/
├── server.py # MCP server — tools, resources, prompts
├── cve_client.py # Multi-source CVE intelligence client
├── requirements.txt # Dependencies
├── LICENSE # MIT License
├── .gitignore
└── README.md # This file
贡献
欢迎投稿！一些想法：
- 添加更多数据源（OSV、GitHub安全公告）
- 为CISA KEV添加缓存（这是一个大型JSON文件）
- 添加一个
cve_compare并排比较工具 - Docker支持
- PyPI包装
作者
装修 — github/gopichand458
许可证
MIT许可证——见 许可证 了解详情。
免责声明
免责声明
本产品使用NVD API，但未经NVD认可或认证。
该工具汇总了公开可用的漏洞数据，用于安全研究 以及运营目的。它不隶属于NIST、CISA或FIRST.org。 始终通过官方渠道核实关键发现。
建于 模型上下文协议 通过Anthropic