[CVE-2026-25765] Neo 如何在 Faraday 中发现 SSRF 漏洞，以及这对每个发布代码的团队意味着什么

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。

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。

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。

SpecterOps 结合红队实战系统梳理 AI 在进攻性安全中的适用边界：侦察与数据降噪、工具开发、社会工程、漏洞发现与验证、长期自动化及报告整理等场景已见实效，但模型仍可能误读工具输出、虚报漏洞利用或提权结果。文章强调成败关键在于模型之外的工程化 harness——上下文、可用工具、持久状态、独立验证与人类判断。

Project Zero 将 Project Naptime 升级为 Big Sleep：利用大语言模型在真实世界软件中发现漏洞，并分享首批成果与观察。