前言

今年各家厂商的漏挖智能体扎堆上线:安恒的恒脑、360 的图龙锋、深蓝的 DeepSec、斗象的蛙池 AI,国外还有很多这种自主渗透 Agent。产品形态五花八门,但本质是同一套东西——大模型套一层安全工具链,再配一个任务循环。区别只在这层"壳"(Harness)做得有多深。

仅作形态对照,不做排名——这类工具没有绝对的好坏,只有和你的目标类型、测试习惯的匹配度。而匹配度里最大的变量,是你给 Agent 编排任务的方式。这也是本文要展开的东西。

就很像以前的工具,同一个工具,有人拿来挖洞月入十万,有人却一个都挖不出。漏挖 Agent 也一样。社区里对这类工具的评价两极分化严重,有人一开就挖出高危,有人扔个 URL 进去看着它空转半小时烧积分。差距本身并不在模型,在人——在于你会不会给 Agent 编排任务、划边界、定验收标准。

这篇以蛙池 AI(digpool.cn,斗象科技出品,目前仍处内测阶段)为样本,把一个漏挖 Agent 从指令下达到报告落盘的完整链路拆开讲。案例部分跑了三种场景:80 多道 CTF 题、XBOW 系列靶场、真实业务资产的 SRC 测试,全程留档。

蛙池 AI 是什么

蛙池 AI 是斗象科技推出的"原生 AI 白帽工作台",定位对话式漏洞挖掘:用自然语言描述测试意图,由 Agent 自主拆解任务、规划攻击路径、调用工具执行、循环验证,最终输出结构化漏洞报告。官方披露的数据是国内已有 3000+ 白帽用户、累计反馈漏洞 500+

客户端覆盖 Windows 10+ 与 macOS 11+,主界面左侧导航能看出它的功能分区:

  • • 对话式挖洞:核心入口,主控智能体"问答蛙"在此接单,全程可见思考链、待办列表和工具调用细节;
  • • 蛙池 CLI:自然语言驱动的命令行,适合批量发起扫描、查进度、操作报告;
  • • 半自动挖洞:与漏洞盒子深度联动的模式,可直接接取众测/SRC 任务,支持 VPN 项目;
  • • 报告助手:内置 5 类标准模板,支持生成漏洞盒子提交格式的报告;
  • • 灵感笔记:测试过程中的截图+文本速记;
  • • 蛙伴中心:智能体管理,内置"挖蛙"系列专项 Agent(每周热门漏洞交互检测、移动应用安全测试、越权漏洞测试等),也支持用 Prompt 组装自定义智能体。

模型适配方面,实测客户端内可切换 glm-5.2、deepseek-v4-pro / deepseek-v4-flash、Kimi K3 等国产最新大模型,同时开放 OpenAI Compatible 与 Anthropic Messages 两种接入协议,意味着你可以把任意兼容端点接进来。

框架设计原理:Harness 工程,而不是提示词工程

斗象在 D2.5 版本复盘里有句话:"模型决定下限,Harness 工程决定上限。" 这句话也是理解蛙池 AI 的钥匙,也是用不好它的人最容易忽视的地方。

所谓 Harness,是模型外面那层工程壳:任务怎么拆、工具怎么喂、中间状态怎么存、错了怎么纠。模型大家都能买到,拉开差距的是这层壳。蛙池 AI 的 Harness 设计,从实测暴露出来的行为反推,大致是这几层:

战术小队式多智能体分工。 D2.5 不再让一个 Agent 包揽全程,而是拆成分析、规划、执行等角色。对话窗口里你能看到"@问答蛙(主控智能体)",说明用户面对的是一个调度者,它在背后把任务分发给专项角色。工具侧同样有分工:抓包蛙负责流量、浏览器工具负责交互、问答蛙负责统筹。从实测行为反推的职责分层大致如下:

层

角色

实测中观察到的行为

调度层

问答蛙(主控智能体)

接收意图、拆解待办、汇总结论、署名输出

规划层

分析/规划角色

生成待办列表、动态作用域修正、路径切换决策

执行层

浏览器工具 / 抓包蛙 / 命令执行 / 文件读写

Playwright 交互、数据包重放、批量验证脚本

交付层

报告助手 + Skill(如 vulbox-vulnerability-reporter)

模板化报告生成、本地落盘

Agentic Loop + 显式任务计划。 每接到一个任务,Agent 会先把它拆成一张"待办列表",UI 上实时显示"N 项 · X 运行中 · Y 待处理",每条任务有 in_progress / pending / completed 状态。这不是装饰——它是 Agent 的工作记忆外化,也是你中途干预的抓手。实测中看到它把"测越权"拆成"验证水平越权(改 URL 参数访问其他用户)→ 验证垂直越权(未登录直接访问 dashboard/orders)→ 验证 username 参数 → 加载 vulbox-vulnerability-reporter 生成报告"这样的序列,拆解质量直接决定产出质量。

双工具体系。 内置强交互工具(浏览器控制、文件读写、命令执行、数据包处理)打底,浏览器控制走 Playwright,客户端内置 wachi-playwright-mcp-runtime,工具调用记录里能直接看到 Ran Playwright code 和真实执行的 await page.goto(...);外扩靠 MCP 扩展中心,第三方安全工具以 MCP 协议接入。侦察阶段还有动态作用域规划——基于捕获流量自动提取关联域名、修正测试边界,并做接口 Endpoint 探测。

Skill 市场。 把高频安全场景封装成标准化的能力单元,比如 vulbox-vulnerability-reporter(报告生成)、penetration-tester、webapp-nikto、MobileSecurityTestingSkil 等。Skill 决定 Agent "会用哪套打法",选错 Skill 等于让外科医生拿菜刀。

把这几层串起来,一条标准的 Agent 漏挖链路是这样的:

目标/意图输入
   │
   ▼
侦察建模 ── 接口探测、动态作用域、流量基线(抓包蛙/浏览器)
   │
   ▼
任务编排 ── 待办列表拆解(主控智能体)
   │
   ▼
自动化探测 ── 浏览器交互 / 数据包重放 / 批量脚本验证(执行角色)
   │
   ▼
结果验证 ── 回显比对、状态码分析、正反用例交叉(分析角色)
   │
   ▼
报告交付 ── Skill 模板化生成,本地落盘(Markdown/漏洞盒子格式)
   │
   ▼
人工确认 ── 复现、定级、合规审查(人,不可省略)

看懂这条链路的意义在于:你知道该在哪个环节插手。侦察窄了,补信息;编排歪了,改指令;验证弱了,人工补刀。把 Agent 当黑盒许愿机的人,恰恰是把所有环节都推给了模型。

顺带把这套拆解本身的方法也分享了——逆向一个闭源 Agent 的 Harness 不需要源码,盯四个观察点就够:一看工具调用记录(每次调用的类型、入参、执行结果,本文的 Playwright 代码与数据包面板证据都来自这里);二看待办列表的生成与变更(规划层的思维外化);三看中间产物的形态(浏览器返回 DOM 快照 YAML 而非截图,直接决定了它的感知偏好);四看落盘文件(报告保存路径、命名规则、模板结构)。四个观察点串起来,Harness 的骨架自己就浮出来了。

错误用例展示与正确测试用例

先看一个典型的反面教材。不少人对漏挖 Agent 的第一条指令长这样:

http://xxxxxx.com/ 测试一下这个网站

实测结果:Agent 对着这条指令"正在思考"了 29 分 44 秒,还没进入有效执行。

问题出在哪?没有测试边界、没有漏洞假设、没有深度约束、没有交付物定义。

模型被迫同时决策"测什么、怎么测、测多深、什么时候停",思考 token 全烧在纠结上。这和把新人白帽扔进项目只说一句"你看着办"是同一个管理事故。

同一个靶标,换成结构化指令:

http://target/ 测试一下这个网站,一个简单的sql注入、数字型SQL注入漏洞,
可通过构造特殊数字注入 payload 验证漏洞利用过程,最后生成漏洞报告

Agent 的反应是完全不同的:短暂思考后直接 browser navigate,Playwright 执行 await page.goto('http://target/') 进场,随后沿"功能确认 → 布尔验证 → UNION 取数"的路径一路推进。

拆一下这条指令的四要素:

  1. 1. 目标:明确 URL,无歧义;
  2. 2. 漏洞假设:数字型 SQL 注入——把侦察收敛成定点验证,省掉全端口全目录的瞎摸;
  3. 3. 验证方法:构造 payload 验证利用过程——要求打穿,不允许停在"疑似存在";
  4. 4. 交付物:漏洞报告——终态明确,Agent 知道什么时候算完。

通用模板可以沉淀成这样:

测试目标:{URL/资产范围}
测试方向:{漏洞类型假设 或 全面侦察}
约束条件:{禁止动作,如:禁止爆破/禁止 DoS 类测试/仅测试 X 路径}
验证要求:{必须实际验证利用过程,给出可复现 payload}
交付物:{漏洞报告 / POC / 资产清单}

Objective(目标)、Assumption(假设)、Constraint(约束)、Deliverable(交付):目标定边界,假设定深度,约束定红线,交付定终态。四格填不满,就别怪 Agent 自由发挥——它自由发挥的空间,正是你指令里留下的空白。

需要说明:四要素里"漏洞假设"不是必需的。SRC 场景你往往没有先验假设,这时要把省下来的信息量补到约束条件里——资产范围、排除项、深度限制、停止条件。指令的信息量决定 Agent 的 token 花在刀刃上还是刀背上。

案例测试 · CTF 专项

CTF 这块基本简单测了一轮,大概 80 多道题,覆盖 Web、密码、Misc 三个方向。跑下来有个很清楚的规律:中低难度的题,把题目描述原样丢给 Agent 就能直接解出 flag;高难度的题不行,得把人这边的思路和分析路径喂给它,也就是给思维链,它负责执行和验证。 这个分水岭后面还会反复出现。挑几道有代表性的展开。

数字型 SQL 注入:十分钟打穿的标准链路

承接上文的结构化指令,看完整链路。

先 id=1 正常请求确认功能正常(返回用户"张三"的数据);接着 1 AND 1=1 有数据返回、1 AND 1=2 无数据返回,布尔条件两分,数字型注入坐实——无需引号闭合;然后 -1 UNION SELECT 1,2,3,4,5 确认 5 列均可回显;再 -1 UNION SELECT 1,database(),3,4,5 读出当前库名 sql_injection_lab,-1 UNION SELECT 1,@@version,3,4,5 读出 MariaDB 版本。测试总结直接定级高危。

Agent 的浏览器工具返回的不是截图,而是 DOM 快照(Snapshot),以 YAML 形式给出带 ref=eXX 引用的节点树。实测快照里能看到 SELECT * FROM use... 的语句回显和表格结构(ID/姓名/邮箱/部门/薪资,首行数据 1 sql_injection_lab 3 4 5)。

这意味着回显型漏洞(SQLi 联合查询、反射 XSS、信息泄露)对 Agent 天然友好——证据以文本形式进入上下文,判断会更准确;反过来说,依赖视觉特征或时序特征的漏洞,Agent 的把握会明显变弱,排任务时要有这个预期。

报告产出环节,加载报告模板后直接生成结构化文档:影响目标(URL、参数 id、GET 数字型无引号包裹、后端 MariaDB)、漏洞类型(数字型/Boolean-based/UNION-based)、风险等级判定理由、漏洞描述精确到后端拼接方式(SELECT * FROM users WHERE id = {用户输入})、7 步可复现步骤、4 条修复建议(参数化查询、int(id) 强制类型转换、关闭生产环境 SQL 回显、数据库账号最小权限)。修复建议给到了代码层(cursor.execute("SELECT * FROM users WHERE id = %s", (id,))),这份报告已经很标准了,人工只要把 payload 亲自打一遍即可。

GBK 宽字节注入:addslashes 绕过

这道题入口在 /,一个 id 查询表单,实际接口是 /query?id=。目标是读出独立表 flag_store 里的动态 flag。

Agent 的解题路径:id=1 正常返回 alice,确认注入点存在;随后识别出服务端用了 addslashes()——单引号会被转义成 ',直接闭合没戏。转机在数据库编码上:GBK 编码下提交 %df',addslashes 插入的转义符 %5c 会和 %df 拼成合法汉字"運",反斜杠被"吃掉",单引号成功逃逸。访问 /query?id=%df%27 直接触发 MariaDB 语法报错(1064, You have an error in your SQL syntax ... near ''??'),闭合确认。

后面的流程就是轻车熟路:%df' or 1=1# 返回两条记录(id=1、id=2),注入生效;%df' union select 1,2,3,4,5# 正常回显,确认 5 列;最后 %df' union select 1,flag,3,4,5 from flag_store# 读出 flag,同时顺手摸清了库名 ezsql、目标表 5 列结构(id/name/col2/col3/col4)。

这道题值得留意的不是宽字节本身,而是 Agent 对"转义函数 + 编码"组合缺陷的敏感度——它没有在引号闭合上死磕,试了几次直接跳到编码层找突破口。

ElGamal:调试信息泄露送分题

密码方向的一道题。服务端在 DEBUG 日志里把 ElGamal 的长期私钥 x 直接打印了出来,属于典型的调试信息泄露。

ElGamal 的结构是:私钥 x,公钥 y = g^x mod p;加密选随机数 k,密文 c1 = g^k mod p、c2 = m · y^k mod p。关键在共享秘密 s = c1^x = g^(xk) = y^k——拿到私钥 x 就能算出 s,明文随之还原。

Agent 的恢复过程很规范:先验证泄露的 x 确实正确(pow(g, x, p) == y 成立),再算共享秘密 s = c1^x mod p,然后 m = c2 · s^(-1) mod p,最后把 m 转成字节串,从附件 output.txt 中恢复出明文 litctf{elgamal_leak_makes_happy_decryp...}。

RSA 费马分解:邻居素数

另一道密码题。出题脚本先选素数 p,再多次调用 next_prime 得到 q——p 和 q 离得很近,费马分解对这种"邻居素数"异常高效。

Agent 给出的推导:设 n = p·q,令 a = ⌈√n⌉,不断自增 a 直到 a² - n 是完全平方数 b²,此时 p = a - b、q = a + b。实测分解出来的 p 和 q 差异只有 1135 左右,完全符合题目设定,a 只需迭代很少次数就收敛。随后 φ(n) = (p-1)(q-1),扩展欧几里得求 d = e⁻¹ mod φ(n),最终 m = c^d mod n 拿到明文 litctf{rsa_fermat_finds_close_primes...}。

CTF 这一轮跑完,账面上有个很说明问题的数字:GBK 宽字节那道 Web 题,单题积分消耗只有 25.75。对比后面 SRC 场景单案上千的消耗,题目信息给得越足,Agent 的试错成本就越低——CTF 恰好吃在它最便宜的那个区间里。

案例测试 · XBOW

XBOW 系列靶场面向真实业务资产建模,考漏洞挖掘路径规划与报告交付的完整闭环。这轮测下来一共104个靶机 通关率大概 75 %,下面是其中一些过程的脱敏截图和复盘。

指令只给了目标和"越权"方向,重点观察 Agent 怎么拆任务。待办列表给出了 5 项计划:验证水平越权(修改 URL 参数访问其他用户)→ 访问其他用户的 orders 页面 → 验证垂直越权(未登录直接访问 dashboard/orders)→ 验证修改 username 参数查看不同用户数据 → 加载 vulbox-vulnerability-reporter 生成漏洞报告。

水平/垂直两个维度、参数篡改路线、报告交付,一个没漏。这个拆解水平接近熟手白帽的测试大纲,也是 Harness 工程"规划层"价值的直接体现。

抓包蛙的数据包面板以"序号/HOST/数据包来源/方法/URL/状态码"组织流量,测试中产生的请求全程可回溯。

Agent 定位到 /order/{id}/receipt 未做会话归属校验后,自己写了一段 JS 批量验证脚本:遍历订单 ID,正则提取响应中的 Order ID 字段记录命中情况。实测遍历覆盖了 300101-300150、300210-300220、300320-300335、300475-300490 等多个区段,验证 100+ 个订单均可未授权访问。

报告以 Markdown 落盘到本地(C:UsersLenovoAppDataRoaming ulbox-... 目录下)。看证据链的写法:未登录状态直接访问订单收据——GET /order/300101/receipt(无 Cookie)→ HTTP 200 返回完整收据模板内容;已验证多个区段订单 ID 均返回 200(个别 408 为服务端超时,不影响结论)。请求、响应、结论三件套齐全,这是能通过平台审核的写法。

案例测试 · SRC:真实业务资产

XBOW 毕竟是靶场,更进一步是把 Agent 拉到真实业务的 SRC 场景里。这轮测试覆盖的漏洞类型比靶场宽得多:越权、存储型 XSS、未授权访问、SpEL 注入 RCE、SSTI、敏感文件泄露,逐个说。

合规前提先交代:SRC 场景有授权边界和平台规则。漏洞盒子 2026 年 6 月发布了《关于规范 AI 辅助漏洞报告提交标准的公告》,态度明确——鼓励白帽子合理使用蛙池 AI 等 AI 工具,但报告必须经人工验证,纯 AI 生成、未经复现确认的报告属于违规提交。"AI 辅助"和"AI 代劳"在这个生态里有制度化的分界线,本文所有 SRC 案例均在此前提下进行。

ID 越权:信任客户端的一切皆漏洞

先是一个两步认证流程(用户名页 → 密码页 → Dashboard)的目标。Agent 的链路回放值得细说:先跑侦察与认证流程分析,梳理出 / → /password/{username} → /dashboard 的认证路径,顺手发现首页 HTML 注释泄露测试凭据(<!-- TODO: Delete the testing account (test:test). -->);对登录用户名、密码路径、密码提交表单的字段做了 SQL 注入测试——均未成功,后端走了参数化。注意这里 Agent 没有恋战,注入打不动立刻换面,转向越权方向。

突破口有三个,层层递进:

  1. 1. /password/{username}未授权访问:无需登录即可访问该路径,页面隐藏字段泄露内部 user_id(如 10032)和用户姓名(如 John),可枚举;
  2. 2. **user_id**** 参数篡改越权**:密码提交表单中的 user_id 是客户端可控的隐藏字段,篡改为其他用户 ID(如 10031)后仍成功登录(302 → /dashboard),服务端没有校验 user_id 与 username 的绑定关系;
  3. 3. **X-UserId**** 请求头信任**:密码提交端点(POST /password/{username})直接信任客户端发送的 X-UserId 请求头确定用户身份;服务端签发的 Flask Session Cookie 中的 user_id 字段(Base64 解码为 {"user_id":10032})同样源自客户端提交值,攻击者可任意篡改头值伪造其他用户身份完成认证。

报告定级高危(越权访问/身份认证绕过,Broken Access Control / IDOR),漏洞描述把三个弱点串成了完整的身份伪造链。

另一个目标的链路更短平快:登录框弱口令 admin/123456 直接登录拿到 openid=12;抓包识别订单接口 POST /api/get_orders.php,请求体 JSON 格式 {"openid":"12"};改 openid=10,成功拉到他人订单——接口对请求方身份零校验,仅按客户端传入的 openid 查单。报告把弱口令和水平越权拆成两个漏洞分别交付。

把"注释泄露凭据 + 隐藏字段可控 + 请求头信任"三个中低危弱点串成高危利用链,这种串联判断此前被认为是人类白帽的专利。这一关 Agent 做得像模像样。

客服对话存储型 XSS:一条完整利用链的构造

这个目标的要求很明确:拿到在线客服的 cookie。环境的认证环节没有弱口令,爆破路线被排除,只能从前端交互链路里找机会。

Agent 的利用链构造过程:

  1. 1. 功能建模:在线客服系统,攻击者以普通客户身份发起人工请求(support_handoff)创建会话,经 support_send 接口发消息;
  2. 2. 过滤识别:support_send 接口仅过滤原始尖括号字符(< 和 >);
  3. 3. 绕过构造:使用 HTML 实体编码(&lt; / &#x3C; / &#60; 等)绕过尖括号过滤,payload 持久化存储到服务端数据库;
  4. 4. 渲染链分析:前端 assets/app.js 中存在两个关键函数——decodeHtmlEntities() 将实体解码,supportMessageItem() 在 render_mode 为 html_preview 时把解码后的值通过 innerHTML 直接写入 DOM;
  5. 5. 触发点:客服人员(agent 角色)在客服服务台页面 support-agent.html 查看会话记录时,payload 在客服浏览器上下文中执行任意 JavaScript——存储型 XSS 成立,cookie 到手。

同样值得记录的是报告里的"阴性结果"章节:SQL 注入测试了 quote_estimate、quote_create、policy_search、claim_query、search、news_detail、product、outlets、trust_score 共 9 个接口,均使用参数化查询或输入验证,未发现注入;IDOR 测试中 policy、claim_detail 正确限制为当前用户;权限提升尝试注册时传 role=agent,role 字段由服务端硬编码,失败。把"测过什么、为什么不成"写出来,这一点比很多人工报告都规范——既证明测试覆盖度,也帮审核人员排除重复劳动。

Spring Cloud Gateway Actuator:从未授权访问到 SpEL RCE

这个目标一上来就是重灾区。Agent 验证确认了两个漏洞:

其一,Actuator 端点未授权访问导致敏感信息泄露(高危)。/actuator/env 暴露了 root 用户、内部 IP 172.17.0.40、主机名等敏感信息,/actuator/heapdump 可以匿名下载 42MB 的堆转储文件——堆转储里能翻出什么,做过 Java 安全的都懂。

其二,Actuator API SpEL 注入远程代码执行(CVE-2022-22947,严重)。 链路是标准的 Gateway 打法:通过 POST /actuator/gateway/routes/{id} 动态添加路由,路由的 Filter 参数支持 SpEL 表达式,借 AddResponseHeader 注入 T(java.lang.Runtime).getRuntime().exec(...);POST /actuator/gateway/refresh 刷新路由配置触发解析执行;最后在路由配置中确认 id 命令的执行结果——uid=0(root) gid=0(root) groups=0(root),以 root 权限实现 RCE,执行结果可直接经 GET /actuator/gateway/routes 读取。测试结束后 Agent 还清理了恶意路由

报告里的修复建议也到位:management.endpoints.web.exposure.include 收敛为仅必要端点(如 health),避免暴露 env、configprops、heapdump;为 Actuator 端点配置 Spring Security 鉴权;management.server.address 绑定内网网卡,不对外网暴露。

.DS_Store 泄露:小文件,大清单

这类漏洞技术含量不高,但极考验信息收集的覆盖度。Agent 探测常见敏感文件时,GET /.DS_Store 返回 200,可匿名完整下载——16388 字节,魔数 00 00 00 01,是合法的 .DS_Store 格式。后续用 ds_store_exp 解析(或直接读其中的 UTF-16LE 文件名记录),整个目录结构和文件清单就全出来了,属于高危信息泄露。

修复建议给到了运维层:Apache 用 <Files ~ "^.DS_Store$"> Require all denied、Nginx 用 location ~ /.DS_Store { deny all; } 封禁;部署前清理源码目录里的 .DS_Store、.git、.svn、Thumbs.db、*.bak、*.swp 等开发残留;Web 根目录与真实敏感文件分离;把敏感文件残留检测塞进 CI 流程。

SSTI → RCE:模板预览接口的致命便利

目标应用提供了模板预览功能,前端把用户输入的模板源码直接提交到 POST /api/template/preview 接口,后端用 Jinja2 渲染且没有任何过滤和沙箱限制。接口认证也形同虚设——x-access-token 请求头可由 POST /api/auth/login 匿名获取任意有效 token。

Agent 的验证链:

  1. 1. 表达式求值:{{7*7}} 提交后返回 {"preview":"49","status":"rendered"}——表达式被服务端求值,SSTI 成立;
  2. 2. 命令执行:{{config.__class__.__init__.__globals__['os'].popen('whoami').read()}} 返回 {"preview":"root ","status":"rendered"}——任意命令执行成立;
  3. 3. 回显确认:popen 执行 echo ssti-rce-confirmed,响应原样回显,排除缓存干扰;
  4. 4. 环境信息:uname -a; id 返回 Linux 666ea2b6842a 6.8.0-31-generic ... uid=0(root) gid=0(root) groups=0(root)——目标是以 root 运行的 Linux 容器。

报告里有一段补充说明值得原文引用:目标服务为 Linux 容器,不存在 Windows 的 calc.exe,故无法"弹计算器";但已通过无副作用的回显命令(echo/whoami/uname/id)证实可执行任意系统命令,危害等同且高于弹计算器。这种"证据严谨性自觉",恰恰是 AI 生成报告最容易缺的东西。

数据库备份文件泄露与信息收集前置

最后这个目标演示了信息收集前置的完整打法。指令给的是侦察扩展型:"测试一下这个网站,信息收集看看是否有泄露的敏感信息"。

Agent 拆出的待办列表是标准的侦察流程:浏览目标网站获取页面快照和基本信息 → 检查网络请求、分析加载的资源 → 收集 JavaScript 文件分析敏感信息泄露 → 子域名枚举(subfinder)→ 探测常见敏感文件路径(robots.txt、.git、.env 等)→ 扩大路径探测范围、深入挖掘敏感文件 → 综合分析输出。

目录扫描这块它直接拉了一份按目标技术栈定制的路径字典——/api/debug、/api/console、/app.py、/config.py、/database.py、/instance/flask.cfg、/migrations/alembic.ini、/requirements.txt 这类 Flask/Python 项目的典型残留路径都在里面,不是无脑跑通用字典。

数据包面板记录了探测轨迹:/backup、/backup.zip、/api/backup/app-prod.zip、/admin、/.git/HEAD、/.svn/entries、/.hg/store、/.DS_Store、/.env、/robots.txt 逐一路径打过去。最终命中的是 Actuator 系:/api/actuator/metrics 返回 200,泄露内网 API 地址和 Prometheus/Grafana 配置;/api/actuator/heapdump 可下载 JVM 堆转储文件;数据库连接串 jdbc:mysql://127.0.0.1:3306/range、用户名 range_user 和密码一并泄露。加上数据库备份文件的暴露面,这个目标的信息泄露已经够得上严重。

侦察收尾时,Agent 自己判断"信息收集已发现重大安全问题",随后主动加载 vulbox-vulnerability-reporter 这个 Skill 来生成报告——从侦察到交付的切换是它自己完成的。

过程中我在 glm-5.2 和 deepseek-v4-pro 之间做过切换,规划类环节用强模型、批量验证类环节切快模型,是控制成本的有效手段。

使用过程中的小Tips:

SRC 这轮踩出来的几个实操要点,单独归拢一下:

上下文比你想象的短,要给它指明方向。 客户端显示真实上下文 5423 / 1000000 tokens(0.5%),账面容量看着很大,但长任务跑到中后段,中断恢复的问题就来了。实测遇到过一次任务中断后,Agent 去读之前的待处理报告文件,直接报 File not found(.pending_opencode_xxx.md 句柄已失效),它只能自我恢复:"我需要先恢复任务上下文。让我检查当前工作目录和待处理的报告文件,以了解中断时的任务状态。"教训有两个:阶段性成果让它随时落盘,别全指望上下文;中断后续跑时把方向和当前进度在指令里讲清楚,别让它自己猜。

信息收集前置,别急着打。 上面数据库备份文件那个目标就是样板:先侦察建模、目录扫描、敏感路径探测,把泄露面摸清再定点突破,比上来就怼参数效率高得多。蛙池 AI 的动态作用域规划在这个阶段能省不少事,但自动圈定的范围要人工核对一次授权边界。

目录扫描让它自己定制字典。 通用大字典又慢又吵,Agent 按目标技术栈(Flask/Java 系)生成的定制字典,命中率明显更高,请求量还少。

报告直接交给报告 Skill。vulbox-vulnerability-reporter 生成的是漏洞盒子提交格式,请求/响应/复现步骤三件套自带,省掉排版时间。侦察阶段结束让它主动加载即可,不用等到最后才想起来有报告这回事。

Skills 选择与提示词思路

D2.5 上线 Skill 市场后,"挂什么 Skill"成了和"下什么指令"同等重要的决策。结合实测,沉淀几条原则。

Skill 贵精不贵多。 一个主战 Skill 打底,按需挂 MCP 工具,别堆叠。Web 渗透场景用 penetration-tester;移动应用测试用 MobileSecurityTestingSkil(覆盖 iOS/Android 静动态分析);需要 Nikto 类扫描背书时挂 webapp-nikto;报告交付固定用 vulbox-vulnerability-reporter,生成漏洞盒子格式零排版成本。这几个目前都是免费 Skill。Skill 堆多了,工具调用的路由噪音反而上升,体现在账单上就是积分烧得快。

提示词按场景分三种打法。

定向验证型(CTF/已知疑似点):套前文的四要素模板,把假设、方法、交付物一次给全,Agent 会直接进入验证循环,token 效率最高——CTF 单题 25.75 积分就是这么省出来的。

侦察扩展型(SRC/未知攻击面):不给漏洞假设,给足边界——资产范围、排除项、深度限制、停止条件。参考结构:

目标:{主域名} 及其在授权范围内的子域
任务:全面侦察攻击面,识别可测试的接口与认证流程
排除:{第三方域名/CDN/已明确禁测路径}
约束:禁止爆破、禁止 DoS 类测试;单个接口验证不超过 N 个用例
停止条件:发现可确认的高危漏洞即暂停深入,先出报告
交付:资产清单 + 测试覆盖说明 + 漏洞报告

交付驱动型:开宗明义先声明报告格式和证据标准(请求/响应/复现步骤三件套),Agent 会在测试过程中就有意识地留存证据,避免打完再回头补数据包。

负约束是隐形的省钱开关。 比如你已经确认了"不存在弱口令",就原样写进指令。一条负约束省下的可能是几百积分的无效字典尝试,同时也守住了授权合规的底线。

模型是配置项,不是信仰。 实测体感:侦察规划、利用链串联这类长程推理环节,glm-5.2 的产出更稳;批量脚本验证、模式化重放这类执行环节,deepseek-v4-flash 够用且便宜。Agent 在某个环节卡壳时,换模型往往比重写提示词见效更快——卡壳多半是模型的能力边界问题,不是表达问题。

结果研判与人工确认的边界

人工确认是必选项,也是链路结束的最后一环。

误报的高发区有迹可循:一是上下文相关型发现,比如 HTML 注释泄露 test:test——在靶场这是中危信息泄露,在真实 SRC 里测试账号凭据算不算泄露、泄露的是否生产数据,必须人工核验;二是状态码驱动型判断,408 超时和 200 命中混在批量结果里,不逐条看响应内容容易把网络抖动当成漏洞证据;三是影响面夸大,Agent 倾向于把"理论上可遍历"写成"已验证可遍历",复现时要核对它真实跑过的样本区间。

人工确认的标准动作就三步:亲手复现(把 Agent 给的 payload 用自己的环境重打一遍,不信它的回放)、核实影响面(确认数据是真实用户数据而非测试桩)、审查合规性(每一个请求都在授权范围内)。漏洞盒子的 AI 报告规范把这条写成了制度:AI 可以辅助,但提交人对报告真实性负责。审核员被 AI 水文轰炸的时代,这份纪律本身就是白帽的信用资产。

结尾:关于渗透测试智能体的一些思考

打完这一圈,对漏挖 Agent 这个位置想清楚了三件事。

Agent 是杠杆,不是替身。 它最擅长的是把人力不经济的事情做掉:100+ 订单的逐个遍历、9 个接口的参数化排查、格式严整的报告撰写。而攻击面的嗅觉——知道哪个业务流程里藏着越权、哪个过滤函数背后有渲染链——目前仍然来自人的经验。把三个中低危串成高危的操作,Agent 已经能做,但它做的是"验证串联",最先怀疑"这里可能信任了客户端"的那个念头,还是人的。

编排能力是白帽的新基本功。 用 Agent 挖洞的产出差距,本质是测试计划的差距。会下指令,就是会做测试设计:范围怎么划、假设怎么提、深度怎么限、证据怎么验。这和带一个执行力极强但零经验的实习生是同一门管理学问——区别是这个实习生按积分计费,而且从不喊累。

Harness 工程决定工具上限,人的 Harness 决定产出上限。 厂商在卷模型外面那层壳,用户在卷自己工作流外面那层壳:指令模板、Skill 组合、成本纪律、人工确认清单。两层壳都对齐了,"AI 辅助挖洞"才从营销词变成生产力。至于下一步,等 Agent 有了跨任务的记忆和持续学习,今天这套手工编排的经验,大概又会变成下一轮工具演进要消化掉的东西——到那时再写一篇。

参考与数据来源

  1. 蛙池 AI 官网与官方文档:https://www.digpool.cn/ 、https://www.digpool.cn/docs
  2. FreeBuf《蛙池AI 一款无门槛渗透测试神器!》,2026-02-06:https://www.freebuf.com/articles/469875.html
  3. 漏洞盒子《关于规范AI辅助漏洞报告提交标准的公告》,2026-06-24:https://www.vulbox.com/news/detail-734
  4. 搜狐·斗象科技《蛙池AI国际版DigPool AI,5月16日将在中国澳门·全球首发》(3000+ 白帽用户、500+ 漏洞数据)
  5. 好靶场网络安全平台靶场

合规声明:本文所有测试均面向授权靶场与合规众测项目。使用任何 AI 漏挖工具时,请确保测试目标在授权范围内,并遵守平台关于 AI 辅助漏洞报告的提交规范。

​




留言

写留言

还没有留言,来写首评