AI漏洞狩猎的故障排除：如何避免成为智能体的免费分类员

启动一个用于漏洞赏金的AI智能体只需几分钟，但未经验证会产生大量误报，使研究人员沦为免费的分类者。例如，67份报告中可能只有3份是有效的。根据HackerOne的数据，2026年收到的报告数量同比增长了76%，而可被利用的可确认发现比例仍维持在25%，但关键和高危发现的比例增至32%。与此同时，有效的AI报告增长了210%。平台开始实施限制：curl于2026年2月1日关闭了其在HackerOne上的项目；HackerOne暂停了互联网漏洞赏金的提交；BI.ZONE和Standoff 365引入了每日报告限制；而Brave在两次垃圾报告后封禁用户。一项针对9942份报告的研究（Zheng等人，2025）发现，跨站脚本（XSS）占提交量的13.8%，信息泄露占9.4%，访问控制与身份验证超过10%。现代大型语言模型（LLMs）倾向于接受无效报告，但检索增强生成（RAG）有助于解决这个问题。根据Bugcrowd的调查，2026年有82%的研究人员使用生成式AI。作者确定了四种AI漏洞狩猎方法：使用LLM顾问进行手动分析、带LLM解释的自动扫描器、封闭式智能体以及经过验证的流水线。模型通过本地设置（Ollama、LM Studio、vLLM）、API（强大模型）、订阅服务（Cursor、Claude.ai、ChatGPT）或企业平台（Bedrock、Azure OpenAI、Vertex AI）付费。验证发现的架构包含三个层次：智能体规则（例如，针对SQL注入的基于时间的检查、针对服务器端请求伪造（SSRF）的带外检测、针对跨站脚本（XSS）的无头浏览器）、RAG（访问包含漏洞模式的知识库）以及模型上下文协议（用于主动假设测试的工具）。