AI Agent 自动化挖漏洞：SRC 全流程实战指南

漏洞挖掘正在经历一场效率革命。过去依赖安全工程师手动翻站、抓包、分析、写报告的模式，如今正被 AI Agent 深度介入。据 B站 UP 主分享的实战经验，有人借助 AI 智能体在一年内提交了超过一万四千个漏洞，而传统方式下同等时间通常只能产出几十到上百个。这一差距背后，不是 AI 替代了安全人员，而是 AI Agent 把重复性工作接管，让人可以聚焦在决策与验证环节。

传统 SRC 漏洞挖掘为什么效率低

传统漏洞挖掘有一套被广泛使用的「万能挖洞三步法」：第一步，完整访问目标站点，摸清功能结构、技术栈和数据接口，覆盖注册、登录、支付、退款等所有流程；第二步，抓包分析每个访问路径、参数和请求过程，找出可能的风险点，篡改参数后向目标站点提交，判断漏洞是否存在；第三步，验证漏洞并撰写报告，报告需包含 URL、复现过程、危害性和修复建议四要素。

这三步全部依靠人工推进，效率与经验强相关——经验越丰富，效率越高；新手由于缺乏实操积累，试错成本非常高。工具方面，Nmap、Telnet、NC、Burp Suite 等虽然能辅助扫描，但跑出来的结果需要人工判断真伪。比如扫出 22 端口或 3306 端口开放，这到底是真的漏洞还是正常配置，完全依赖安全人员的经验来核实。

学习的门槛不在知识本身，而在于经验积累的多少和投入时间的长短。很多新手学完课程后依然无法进入有效挖洞状态，原因就在这里。

SRC（Security Response Center，安全应急响应中心） 是企业或平台设立的漏洞接收与奖励机制。白帽子（安全研究者）通过 SRC 平台提交发现的漏洞，厂商确认后给予积分、奖金或荣誉。SRC 模式把原本分散的漏洞报告集中到统一通道，既让企业获得外部安全力量的支持，也让研究者有了合规的变现路径。对挖洞者而言，SRC 的效率直接决定收益——同样的时间能提交多少个有效漏洞，是衡量产出能力的核心指标。因此，当 AI Agent 把单位时间内的漏洞产出提升两个数量级时，对 SRC 生态的冲击是结构性的。

AI 加持后，三步法发生了什么变化

引入 AI 之后，漏洞挖掘的每个环节都被重新定义。

信息收集阶段，AI 可以先对目标「洗一遍盘」。它会自动访问 Web 服务器，识别后端架构、前端形态、认证方式、数据库类型及访问方式，盘点功能模块和路由入口，标出每个入口的业务含义和参数形态，最终输出一份结构化的资产清单。安全人员只需要复核，不需要从零手工收集。据 bilibili 该 UP 主的分析，这一步让「了解目标」变得非常高效。

分析筛选阶段，AI 做的是智能分析和误报过滤。面对海量扫描结果，AI 能提供测试思路、解释不熟悉的代码、过滤掉大部分误报，聚焦到真正的高危、中危风险上。人只对有价值的问题深入测试，低危或无效结果直接放弃，避免在筛选上浪费时间。

报告生成阶段，AI 可以调用安全工具、执行命令、分析结果，并按漏洞报告四要素自动生成初稿。但这里必须强调：AI 生成的只是初稿，最终提交前一定要人工复核 URL 有效性、复现过程准确性以及危害性判断。直接把 AI 报告提交出去，可能面临被平台拉黑的风险。

信息收集阶段，AI 可以先对目标「洗一遍盘」。它会自动访问 Web 服务器，识别后端架构、前端形态、认证方式、数据库类型及访问方式，盘点功能模块和路由入口，标出每个入口的业务含义和参数形态，最终输出一份结构化的资产清单。安全人员只需要复核，不需要从零手工收集。据 bilibili 该 UP 主的分析，这一步让「了解目标」变得非常高效。

关键认知：AI Agent 不是聊天机器人

这里有一个容易被忽视的核心区别：能真正参与挖洞的 AI，不是网页端一问一答的聊天工具，而是能执行工具、连续判断、自主编排步骤的 AI Agent。

两者差异巨大。聊天型 AI 只能解答问题，无法操作安全工具；而 AI Agent 可以读取项目文件、分析代码逻辑、指出安全问题、执行探测或测试命令，甚至调用安全工具完成渗透测试。据该 UP 主列举，Codex、Claude、Workbody、Trade、OpenClaw^广告 以及各类 Agent 框架都属于这一范畴。

理解这一点很重要：如果你只是用聊天 AI 辅助挖洞，效率提升有限；只有引入能自主执行任务的 Agent，才能真正改变工作流。

AI Agent（智能体） 与聊天型 AI 的本质区别在于是否具备「工具调用」和「任务编排」能力。聊天型 AI 只能基于已有知识作一次性回答，无法读取本地文件、执行命令或操作外部软件。AI Agent 则通过函数调用、代码执行沙箱、浏览器自动化等机制，让大模型能持续观察环境、做出决策、调用工具、再根据返回结果修正下一步动作，形成「感知—决策—执行」的闭环。在渗透测试场景中，这意味着 Agent 可以自主完成端口探测、参数 fuzz、结果比对等连续步骤，而聊天 AI 只能给出建议。理解这一层区别，才能理解为什么 Agent 能把挖洞效率提升百倍。

AI Agent 挖洞的核心价值与边界

AI Agent 带来的核心价值可以归结为三点。第一，降低学习门槛。网络安全本身是综合性学科，工具多、学习曲线陡峭，新手试错成本高。AI Agent 深度参与信息收集、数据分析和命令执行，人只需负责决策和验证，上手难度大幅下降。第二，效率大幅提升。从一年几十个漏洞到一年一万四千多个漏洞的跃迁，靠的就是 Agent 对重复流程的接管。第三，让人聚焦高价值环节。安全人员从繁琐的工具操作和结果筛选中解放出来，专注于漏洞验证和报告质量的把控。

但边界同样清晰。AI Agent 不是替代人挖洞，而是把原本依赖长期经验积累的工作变得可推进。最终决策权仍在人手里——漏洞是否真实存在、复现是否准确、危害是否属实，都需要人工确认。AI 负责提效，人负责把关，这才是当前阶段 AI 辅助漏洞挖掘的合理定位。

误报（False Positive）与漏报（False Negative） 是漏洞挖掘中一对核心概念。误报指扫描器或工具报告了实际不存在的漏洞，漏报指真实漏洞未被检出。传统工具往往误报率高，安全人员需要逐条人工验证，大量时间消耗在排除误报上。AI 在分析筛选阶段的价值，正是利用对代码逻辑、响应特征和上下文的理解，把明显不可能的告警过滤掉，让人的注意力集中在真正高危的风险上。需要警惕的是，AI 也可能引入新的误报——它可能把正常配置误判为漏洞，或在报告初稿中夸大危害。因此，人工复核不仅是合规要求，也是控制误报、维护研究者信誉的必要环节。