01Core pain point and demand
AI应用在离线或受限网络环境下运行时，会静默下载依赖包、模型权重或配置文件。开发者难以发现这些隐藏的网络请求，往往在部署阶段才遭遇失败、超时或安全合规问题，排查成本高且缺乏可视化手段。
02Product solution
构建一款静态+动态结合的AI依赖网络审计工具：静态扫描代码与依赖清单，识别潜在的下载调用（如huggingface、pip、npm、模型缓存路径）；动态沙箱运行并拦截所有出站请求，生成可视化网络请求报告与风险清单；提供离线镜像打包建议与一键预下载方案，帮助团队在联网环境提前固化所有依赖。
03Monetization and business model
采用开源核心+商业版模式：CLI与基础扫描功能开源引流；商业版提供可视化Dashboard、CI/CD集成、团队协作、合规报告导出与私有化部署授权；同时提供离线部署咨询与镜像打包服务。
04Action steps
- 1调研10-15个离线AI部署团队，验证静默下载的具体场景与排查痛点
- 2开发MVP：静态扫描器识别常见下载调用（pip、huggingface、npm、requests）
- 3集成沙箱动态拦截，生成出站请求可视化报告
- 4在GitHub开源CLI，配套离线部署最佳实践文档引流
- 5接入GitHub Actions与GitLab CI，提供流水线风险门禁
- 6推出商业Dashboard与合规报告，签约首批付费团队
- 7扩展模型生态覆盖（Ollama、vLLM、LangChain等）并建立插件机制
05Risk notice
开源竞品或大厂可能快速跟进类似功能；动态沙箱拦截存在兼容性与性能开销，误报率控制难度大；目标市场偏垂直、付费意愿需验证；AI生态下载方式快速演进，需持续维护规则库。