自建还是采购？AI 安全测试的实证决策框架

LLM 挖掘漏洞能力惊人（Anthropic 报告 Opus 4.6 发现 500+ 零日、OpenAI Codex Security 挖出 14 个 CVE），但噪音会快速累积，缺少验证环节只会带来更多分诊负担。ProjectDiscovery 让 Neo 扫描热门开源仓库并在运行时端到端验证，在 13 个项目确认 22 个 CVE，误报率约 10-20%，含沙箱逃逸与多步利用链，附带可用 PoC 与 OAST 回调等渗透级证据。

最终写进事故复盘的安全问题，在引入它们的 PR 里很少显得危险——不是谁粗心，而是改动本身看不出问题：代码按字面意思工作，毛病出在应用运行后的行为上。ProjectDiscovery 指出 LLM 代码审查在实测中精度仅约 63%，主张对 PR 补充针对运行中应用的行为验证。

ProjectDiscovery 工程博客回顾 Neo 的架构演进：从最初单一带沙箱、大工具集的 Agent，发展为可选规划、执行 Agent 委派并行专用子 Agent、再经验证循环的架构。上下文、时长与质量三重压力推动每次重构，典型任务约 26 次 LLM 步骤、40 次工具调用，最长单任务达 14.7 小时、2154 步、2398 次工具调用。

氛围编码安全基准第二篇：作者用 Codex、Claude Code、Cursor 分别构建 Next.js、FastAPI、SvelteKit 技术栈的医疗（MedPortal）、银行（VaultBank）、保险（ClaimFlow）三个应用，逐一拆解 Neo 捕获的漏洞细节、Claude Code 的误判以及双方都遗漏的问题，为保护 AI 生成代码给出建议。

一位渗透测试员实测发现：Claude 会拒绝编写 LSASS 转储工具，而本地运行的 DeepSeek 及去审查版 Qwen 模型可轻松生成可用的 XOR 加密 minidumper，表明借助本地 AI 绕过 EDR 已相当容易。

学习如何将 Gemini CLI 用于漏洞赏金研究：批量分析抓包流量与源代码、挖掘潜在线索，并人工验证发现。