From Naptime to Big Sleep: Using Large Language Models To Catch Vulnerabilities In Real-World Code

Project Naptime 评估大语言模型的攻击性安全能力：给出方法论、工具链配置，以及在真实代码中发现漏洞的早期成果。

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。

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。

欢迎阅读这篇实战指南，我们将深入探讨大语言模型（LLM）与向量数据库的协同工作。LLM 已成为技术领域的变革者，推动着应用开发创新，但单独使用时其潜力往往未被充分挖掘。向量数据库正是为此而来，能够增强……

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。

Pixel 9 零点击利用链系列第一篇：聚焦可从远程媒体输入触达的 Dolby 解码器攻击面，剖析其解析逻辑并构造出潜在 RCE 漏洞利用。