AI 在进攻性安全中的应用：什么有效，什么无效，以及如何落地

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。

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。

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。

SpecterOps 发布 Ghostwriter Skills：一组可移植的 agent 技能，可将示例报告转换为 Jinja2 模板并对其进行 lint 检查、评估报告就绪度、起草执行摘要。

XBOW 推出自主暴露管理（Autonomous Exposure Management）：以攻击者视角、无需源码与凭据，对企业整个外部应用资产并行发起测试，为每个发现附上可复现的利用证据。企业自有应用数量往往是渗透测试覆盖量的 3–10 倍，未被测试的应用并非低风险；AI 让软件产出与漏洞发现同时变便宜，证明可利用性成为把漏洞队列转化为处置决策的关键环节。

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。