跳到主内容
方法论漏洞挖掘AI 安全Codex零日红队安全左移

Agent 化漏洞挖掘(Agentic Vulnerability Research)

Agent 化漏洞挖掘指让 AI 编码 Agent 接管漏洞研究的「筛查—定位—验证」环节:研究员负责定目标、判价值、做决策,Agent 负责遍历海量代码。2026 年 10-11 月 PHP2Shell 与 Java4Shell 两个语言级 RCE 都出自这条路,把单次发现成本压到数百美元。

发布 2026-11-18更新 2026-11-18核实 2026-11-18

什么是 Agent 化漏洞挖掘

Agent 化漏洞挖掘(agentic vulnerability research)指的是:把漏洞研究里最耗人力、最可并行的那一段——遍历代码、找可疑点、写验证代码——交给具备工具调用能力的 AI Agent,人只保留三件事:圈定目标、判断价值、决定披露。

它跟「用 AI 辅助写 PoC」的区别在于接管深度。辅助写 PoC 是人找到了洞、让 AI 帮忙实现;Agent 化挖掘是连「找」这一步也交出去,人只看 Agent 交回来的候选清单。

2026 年这条路走通了两次:

事件时间目标手法结果
PHP2Shell2026-10-21PHP 运行时Agent 辅助审计影响大量网站与托管平台
Java4Shell(CVE-2026-114938)2026-11-17OpenJDK HotSpot Base64 解码器Codex 审计 JIT / intrinsics / 加密代码CVSS 4.0 9.2,6 个产品默认配置未授权 RCE

为什么 2026 年才成立

三个条件在这两年才同时满足:

一、Agent 能真正「读」大代码库。 2026 年的编码 Agent 已经能在几十万行的仓库里做跨文件追踪——GPT-6 Astra 这类模型的上下文到 1M 级,配合 agent harness 的文件检索与符号跳转,才谈得上「审计 OpenJDK 的编译器层」。

二、成本结构改变了决策。 过去审一块陌生代码要投入数天人力,ROI 算不过来所以没人做;现在一轮遍历的边际成本接近零,「值得一试」的门槛从「有明确线索」降到「这块代码没人细看过」。

三、厂商主动把能力放出来。 OpenAI 的 Patch the Planet 计划让安全团队用其模型做开源漏洞挖掘;Calif 就是在这个框架下做开源维护者支持的。同期 GPT-6.2 Astra 触及网络安全 Critical 阈值、又被刻意门控(公开版拒绝构造 PoC 利用),说明能力与准入是分开管的——这也是为什么真正的前沿挖掘往往发生在受审的防御方一侧。

工作原理:四段流水线

1. 圈定目标(人做)

不是「把整个仓库丢进去」。Java4Shell 的发现者做的是定向审查:选定 JIT 编译器、intrinsics、加密相关代码这三块。选择依据是经验判断——优化路径、手写汇编、边界处理历来是内存安全漏洞的高发区。

2. 高密度扫描(Agent 做)

Agent 在圈定范围内逐函数阅读,寻找「同一功能的两条实现路径行为不一致」这类逻辑缺陷。这是它相对传统工具的核心优势:

  • 静态分析(SAST) 靠规则,规则写不出「长度算成负数但掩码按满块处理」;
  • 模糊测试(fuzzing) 靠撞,需要恰好构造出「64 个 A + 一个 =」这种输入才命中;
  • Agent 靠读意图,能发现「这段汇编本该只处理残块,但它无条件写了一整块」。

3. 可利用性验证(Agent + 人)

找到可疑点只是开始。要证明它能用,得构造触发输入、跑起来看到崩溃/越界。这一步 Agent 能做大量试错,人负责判断「这个崩溃是真是假、能不能再往上走」。

4. 利用链适配(Agent 做,规模化)

一个底层缺陷落到不同产品上,投递路径完全不同。Java4Shell 之所以能打穿 Jira、Jenkins、Keycloak,是因为这些产品都有「把攻击者可控的 Base64 送进解码器」的入口(登录 token、SAML 断言、文件上传)。Calif 的做法是先建流水线与策略,再让 Agent 复用这些策略去批量生成应用特定利用链——这才是「Agent 化」在成本上真正省钱的地方。

三种主流流派

流派做法优势局限
定向审计人选定高发区,Agent 逐函数读命中率高,适合找逻辑/边界类缺陷依赖人的选址判断,覆盖不到「没人想到的地方」
差分对比让 Agent 对比同一功能的多份实现(如各发行版的同一模块)容易发现「只有一条路径写错」需要可比的实现集合
补丁差读盯安全公告与补丁,让 Agent 反推原缺陷时效快,1-day 窗口短只能跟已有补丁,不是零日

AI 之家 编辑部提示:这三种都不产生「通用利用链」。Java4Shell 官方明确说没有 universal exploit,每个应用都得单独适配。看到「一个洞打穿一切」的说法,先怀疑。

五个必须知道的边界

  1. 噪音率很高。 发现者自己的评价是 Codex 相当一部分输出是「slops」(垃圾)。这条路省的是「遍历时间」,不是「判断力」——没有资深研究员把关,Agent 交回来的清单毫无价值。
  2. 硬件与配置依赖会被漏掉。 Java4Shell 只在支持 AVX-512 VBMI 的 x86-64 上成立,ARM64 完全不受影响。这类前提条件 Agent 未必主动声明,得人去核。
  3. 评分会打架。 同一个洞,Calif 按 CVSS 4.0 给 9.2,Oracle 按 CVSS 3.1 给 8.1。引用分数必须带版本号,否则没法比。
  4. 单案例成本不能外推。 200 美元是「已有流水线 + 高密度定向审查」的结果,不是平均价。
  5. 披露节奏会失控。 Calif 提前公开的理由是「细节已外泄」。当发现变便宜,泄露也会变便宜——这是防守方最该担心的次生效应。

防守方怎么用

动作具体做法为什么有效
抢在自己前面扫用同一批 Agent 审自家代码的 intrinsics / 边界处理发现成本对你和对攻击者一样低,先扫先修
盯补丁而不是盯新闻订阅 Oracle CPU、OpenJDK 公告、发行版安全源披露日不等于可修日,发行版滞后才是风险窗口
准备临时缓解开关例如 -XX:-UseBASE64Intrinsics 这类「关掉优化路径」的开关无法立刻升级时,牺牲性能换时间
盘硬件前提lscpu 查 AVX-512 支持,区分 x86-64 与 ARM64 资产前提不成立就大幅降级,避免全员救火
留审计痕记录谁在何时查过哪些服务事故复盘时,「你什么时候知道」比「你知不知道」更要命

想看组件被攻破后责任怎么分,读 智能体责任归属;想看 Agent 的行为怎么被外部证据核验,读 Agent 验证。

与相邻概念的区别

概念关注点与本文关系
SAST(静态应用安全测试)按规则匹配已知危险模式规则化、确定性,覆盖率靠规则库;本文是「补它的盲区」
Fuzzing(模糊测试)大量输入撞崩溃依赖输入构造与路径命中;本文擅长「看得懂才找得到」的逻辑缺陷
渗透测试(pentest)以达成目标为导向的攻击模拟人驱动、按项目计费;本文把其中「读代码找入口」这一段自动化
红队(red teaming)对抗性评估整体防御更上层,本文可作为其「找初始入口」的前置步骤
AI 红队(AI red teaming)攻模型本身(越狱、注入、工具滥用)目标不同:本文攻的是承载模型的传统软件

哪些工具能撑起这条路

  • Codex CLI:本地仓库级审计,Agent 可直接读文件、跑命令、迭代验证。Java4Shell 用的就是这条路。
  • Claude Code:同类形态,长上下文与子代理适合大仓库分块审查;其 Bash 权限模型对「让 Agent 跑可疑代码」这类场景更保守。
  • GitHub Copilot:2026-11 起接入 MAI Code 2 系列,成本更低,适合做初筛而非终审。

一个反直觉的提醒:别用最强的攻击向模型去跑生产代码审计。旗舰模型的安全门控会拒答部分合法安全请求(GPT-6 Astra 的系统卡已承认这一权衡),跑到一半被拦比跑得慢更麻烦。选型时先确认「这个模型对安全任务是否放行」。

延伸阅读

来源

本卡片由 AI 之家 编辑部根据公开资料整理,非厂商付费内容;案例数据以披露方原文与 NVD 为准,欢迎在 反馈邮箱 反馈更新。

常见问题

Agent 化漏洞挖掘就是让 AI 自动找漏洞吗?

不是全自动。当前落地的形态是「人定方向、Agent 做遍历」:研究员决定审哪一块(比如 JDK 的 JIT 编译器、intrinsics、加密代码),Agent 在被圈定的范围内做高密度扫描,研究员负责判断哪条线索值得跟进。Java4Shell 的发现者明确说,Codex 有相当一部分输出是噪音,价值在于「在噪音里捞出一个真缺陷」。

它和老牌静态分析(SAST)、模糊测试(fuzzing)什么关系?

互补,不是替代。SAST 靠规则匹配已知模式,对「新形态的错」无能;fuzzing 靠大量输入撞崩溃,但需要能构造出有效输入、而且要撞到特定路径。Agent 的独特价值在于「读懂意图」——它能把「这段手写汇编本该处理残块,但长度算成负数」这种逻辑漏洞看出来,而这条路径既没有规则可写,也很难被随机输入命中。

发现成本真的降到几百美元了吗?

就 Java4Shell 这一个案例,披露方 Calif 自述 token 花费不到 200 美元、约 3 小时(1 小时发现 + 2 小时做首个利用)。这是单案例的披露方口径,未有第三方复核,也**不能**外推成「平均每个洞 200 美元」——真正决定成本的是目标代码的复杂度与研究员的前期投入(Calif 自己说,他们先花力气建了流水线与策略,后续利用链才接近自主)。

防守方该跟着用吗?

该用,但要按「补丁节奏」而不是「发现节奏」来组织。当发现成本降到几百美元,攻击方与防守方的差距不在谁先找到洞,而在谁先完成修复分发。Java4Shell 披露当日,主流 Linux 发行版还没有修复包——这段时间差就是真实风险敞口。

相关模型

相关对比

Aider vs Claude Code:终端 AI 编程双雄怎么选

Aider vs Claude Code 2026 选型对比:开源 BYOK 多模型 vs Anthropic 订阅长任务 Agent,从编程能力、多模型支持、价格、Git 集成、国内可用性和适合人群判断,帮你选对终端 AI 编程工具。

Claude Code vs Cline:CLI AI Agent 怎么选?2026 对比

Claude Code vs Cline 2026 选型对比:Anthropic 官方闭源 CLI Agent vs Apache-2.0 开源 VS Code 插件。从模型绑定、工作流、MCP 支持、价格、隐私和适合人群 6 个维度帮你选对 CLI AI 编程工具。

Claude Code vs Codex CLI:终端 AI Agent 双雄对比

Claude Code vs Codex CLI 2026 选型对比:Anthropic 与 OpenAI 两大官方终端 Agent 的模型、长任务、MCP 生态、Windows 支持、订阅打包价格和国内可用性全方位对比,帮你判断该用哪个终端 AI Agent,以及能不能两个一起用。

Claude Code vs Crush:Anthropic 官方 vs 多模型 TUI(2026 实测选型)

Claude Code vs Crush 怎么选:Anthropic 官方 CLI(长任务最稳),对上 Charmbracelet 开源 TUI(多模型切换 + LSP)。按模型、长任务、价格对比。

Cursor vs Claude Code:什么时候用哪个?(2026 实测选型)

Cursor 和 Claude Code 到底怎么选?一句话结论 + 决策树 + 价格实测 + 国内可用性对比。GUI 派选 Cursor,终端长任务派选 Claude Code,最优解其实是共存。

Devin vs Claude Code:AI 编程 Agent 怎么选?异步自主 vs 终端同步对比

Devin vs Claude Code 2026 选型对比:Cognition 异步自主 Cloud Agent vs Anthropic 终端同步 CLI Agent,从形态、工作模式、长任务能力、并发、价格、中文支持和适合人群 8 个维度判断,帮你选对 AI 编程 Agent。