智能体渗透测试

是什么

智能体是一种朝目标推理、而非执行固定脚本的程序。给它一个目标和任务——“找出攻击者在这里实际能够到什么”——它便根据已见到的情况决定下一步尝试什么：测绘攻击面、提出假设、测试、读取响应、修正、继续。智能体渗透测试就是把这个循环对准攻击性安全。

它处在团队当下所用两样东西之间。扫描器跑一套固定检查，报告一切与特征匹配的内容——快，但对上下文视而不见，且误报喧闹。人工渗透测试者会就具体应用及其业务逻辑推理——慢、贵，且只是一周的快照。智能体力图以接近扫描器的覆盖达到测试者的推理，并把需要判断的决定留给人。

攻击性安全为何停滞

安全的大部分都已现代化——持续集成、云、自动化防御。攻击性安全在很大程度上没有。它仍主要以人工服务的形式交付，并带着三个从未消失的问题：

• 时点性。渗透测试描述的是应用在测试当周的样子。下一次部署就可能让报告失效。
• 难以扩展。优秀测试者稀缺且昂贵，于是深度被配给。许多项目依赖初级或外包人力，优化发现数量而非质量。
• 合规优先于安全。测试常沦为审计的打勾项，而非真正尝试攻破系统。

迄今自动化的局限

自动化工具在基础设施上弥合了部分差距，因为那里的目标彼此相似。对 Web 应用，它们始终不足，原因是最后一公里问题：每个应用都不同。真正要紧的缺陷——失效的访问控制、业务逻辑缺陷、链式漏洞——取决于理解某个端点究竟用来做什么，而这是特征无法编码的。

这正是老旧 DAST 类别撞上的墙：它能标记一个模式，却无法推理它在这里是否要紧，也不知下一步该做什么。于是团队继续为人工测试付费——不是因为工具跑不起来，而是因为它们不会思考。

智能体改变了什么

语言模型让缺失的一环变得可行：一个能够承载应用上下文并据此调整测试的系统。谨慎使用时，它把三件此前互相矛盾的事变成可以同时拥有的属性：

• 持续而非一年一次。测试可随每次变更运行，于是结果跟随应用，而不是描述上个季度的版本。
• 情境感知而非特征匹配。智能体从应用的真实行为出发：存在哪些对象、哪些角色能触及、某次调用意在做什么。
• 一份简短的已验证清单，而非积压。产出应当是少数真正可利用的问题及其复现步骤——而非成千上万条未经分流的“潜在”发现。

如何运作

让这一切可信的，恰恰是不让模型自由发挥。在 CyberStrike，智能体在一个确定性引擎之上进行推理，由引擎做模型不擅长的工作：它吞入每个请求与响应，运行数百条规则，构建跨身份的映射——哪些角色触及了哪些对象与函数，探测注入点，并在严格的安全限制下重放请求。该引擎产出事实基准。

智能体的职责是决定追查什么——哪些线索看来可利用、下一步尝试哪条链路——并说明理由。证据来自引擎，而非模型的想象；因此一条发现建立在人可重放的真实流量之上。判断归智能体；事实则是确定的。

智能体仍做不到的

这里诚实比热情更重要。这项技术尚未完成，声称相反的人是在兜售：

• 模型会产生幻觉。语言模型有时会断言并不存在的漏洞。正因如此，发现必须绑定到可复现的证据，一份自信的报告并不等同于一个真实的漏洞。
• 输出并非确定性的。同一提示跑两次可能得到不同路径。可复现性必须来自引擎与记录的流量，而非模型自我附和。
• 安全与授权是人的决定。范围、交战规则，以及“向生产环境发送此请求是否安全”——都不该交给自治流程。

因此现实的模型是 human-on-the-loop：智能体承担广度与苦活，人来验证发现、承担有风险的决定并为报告负责。可交付的正是这种配对，而非完全自治。

它的位置

智能体渗透测试并不让人类测试者或审计签署退场。它改变的是人把时间花在哪里：更少地每季度重新发现同一片面，更多地验证真实发现并做出需要负责的决定。测试变得持续；人从爬取者变为审阅者。

这就是全部主张，而且刻意保持克制。攻击性安全一向是理解真实风险最直接的方式。只是它过去太慢、太稀缺，无法处处使用。缩小这个差距——同时对仍需要人的地方保持坦诚——才是这项技术有用的版本。

CyberStrike 是一个由 AI 增强的渗透测试平台，目前处于抢先体验阶段。想看看背后的智能体与引擎吗？探索平台或加入等候名单。