一切源于对 AI 深深的恐惧,和对未来的迷茫。

我是一名二进制漏洞研究员。今年五月,我用agent 接上 Ghidra MCP 去审计一台 IoT 设备,一个下午就挖到了漏洞,随后在自己的设备上也复现成功了。我像是一只坐在电脑前的猴子,看着AI完成了这一切。那一刻,我觉得我和我的岗位都要被 AI 替代了。

我陷入了迷茫和不安,一个想法在脑海里慢慢成形:

与其被动地让 AI 替代我,我不如主动构建一个工具,先把我自己替代了。

后来我想明白了一点:模型会继续变强,厂商做的 agent 也会越来越好用。我要是做个工具去跟模型比推理、跟厂商比 harness,下个版本一出它就没用了。所以 Treasure Map 只做一件事:把固件里的事实整理清楚,交给 agent。它自己不跑模型,不需要 API key,也不判断哪里是漏洞。

第一版:一千多个“漏洞”

最早我的想法是把固件抽象成一本书,每个二进制就是其中一页。用 Ghidra 把所有二进制反编译一遍,伪代码和函数调用关系存进数据库,再让模型给每个二进制、每个函数写摘要,列出可能的漏洞,最后导进 Obsidian,用双链表示调用关系。打开以后可以像读书一样,看每个程序是干什么的、哪里可能有问题。同时构建一个对话agent,读取数据库的内容,用自然语言对话的方式完成漏洞挖掘和逆向分析。

这一版不到一个月就做出来了。拿一个固件试跑,650 个二进制、8 万多个函数,模型给其中 80496 个写了摘要,标出了 1017 个"漏洞函数"。我抽样复核了几十条,几乎全是误报:有的输入在前面就被过滤了,有的入口根本走不到,还有不少是模型编出来的。

反思后,问题出在几个地方。

  • 结论建立在不准确的判断上,自然不可信。

  • 每条事实只有"是"和"否",没有地方写"不知道"。

  • 数据量这么大,做成给人读的知识库,除了截图满足虚荣心似乎没有其他用处。

  • 大模型厂商做出的 agent 越来越好用,应该站在巨人的肩膀上。

于是我换了方向,做一个给 agent 用的 MCP 服务器:Treasure Map - 给 AI agent 的固件藏宝图。

地图上记了什么

tmap scan 对解包后的固件文件系统里的每个二进制跑一遍 Ghidra,找出四类调用:命令执行、缓冲区拷贝、格式化字符串、按路径打开文件。每一处调用是一个候选,带六项记录:

选项

记录的内容

来源

数据是否来自外部

可控

攻击者能控制多少

写入者

这个值是谁写的

可达

这处调用能不能被走到

过滤

途中有没有过滤

完整

所在函数是否完整分析

每一项只有三种值:是、否、未知。写"未知"时会附上原因,比如"没找到直接调用者,可能经由分发表调用"。查不清的就写查不清,不替 agent 猜。

图怎么看,由 agent 定

做到这里我踩过一个坑。一开始我还是按危险程度排序,结果排在前面的几乎都是误报,真正的漏洞埋在一堆"未知"里。数据要真实,未知就少不了;未知一多,排序就没有意义了。

改了很多版都解决不了这个问题时,是项目的名字提醒了我。对啊!这是一张地图,不是一本书。 书从第一页读到最后一页,只有一种读法。地图没有固定的顺序,测绘员看等高线,司机看路网,用的是同一张图。

所以现在的候选列表没有分数。默认视图把影响最大、又没有被证明安全的调用排在前面,agent 可以按任何一项重新排序或筛选。换排序只换顺序,候选一个不少。只有被证明安全的调用,比如命令参数是个常量字符串,才会往后排。"未知"不会让候选往后排,因为未知不等于安全。

为什么 agent 需要地图

agent 读单个函数已经读得不错了。但把整个根文件系统交给它,上百个二进制、几万个函数,它通常看几条线索就停下来,说"没发现问题",其实大部分代码没看过。

有些问题本来就要跨程序看。一个程序读的 nvram 值,往往是另一个程序写进去的。地图里记了每个 nvram 键由谁写、由谁读、能不能从网页上改。一个守护进程是谁启动的,取决于 Web 服务和启动脚本,地图也记了每个程序被哪些二进制和脚本拉起,/bin/sh → busybox 这种符号链接已经解析好。

进度也是按整个固件算的。Treasure Map 统计全部候选的进度,没能完整分析的函数和二进制单独列出来。这样"看过了,没问题"和"根本没看"不会混在一起。

标注层

只给事实,就会留下很多"未知"。有些未知只有靠推理才能补上,但推理出来的东西不能混进事实里。

正当我苦恼怎么精简候选数量时,思绪突然回到了小时候。我想起了当年最爱看的《冒险小虎队》,印象最深的是书里附的解密卡:把它放在书页上,摆对角度,就能读出藏着的答案,书上印的字一个没变。

等等,解密卡盖在书页上,既不改动原来的内容,又能读出新的内容,这不正是我要的、能筛选候选的东西吗?

Treasure Map 的数据就这样分成两层。事实层是只读的,scan 和 diff 得出的每条事实都对应具体的二进制、函数和地址。标注层是可写的,之前拿不到的数据,现在可以通过推理补上。agent 的判断写在这里,每条判断必须引用它依据的事实。两层数据完全隔离,标注层怎么改都不会影响只读的事实层。每条判断随时都能拿底图的数据来核对,分析、判断、核验就这样连成了一个闭环。

补丁对比

有了标注层,噪音少了很多,但候选还是太多。让 agent 每条都过一遍不现实,成本也负担不起。

后来我想到了以前复现 1day 时常用的办法:补丁对比。两个版本放一起,只看变了的地方。地图里本来就存着危险调用的可达性和过滤情况,所以不只能看出补丁改了哪里,还能看出修得完不完整。

tmap diff 并行对比两个版本里所有内容有变化的二进制,Ghidra、BinExport、BinDiff 全程自动完成,不用碰中间文件。它先排除两边逐字节相同的二进制,再对变了的做函数级对比。比较时用的是地址归一化后的伪代码。重新编译会让大量函数的地址整体移动,BinDiff 会把它们都标成变化;反过来,BinDiff 有时给出 similarity=1.0,拷贝长度却已经从 0x40 改成了 0x3f。这两种情况 Treasure Map 都会区分并识别出来。

结果按函数列出,按危险调用附近发生了什么分组:调用目标换了,危险调用还在原处,或者两边对不齐没法判断。找不到对应函数的标为"未定",不会报成删除或新增。脚本和配置文件按路径对比。没能对比的二进制单独列出,不算作没变。

审查过程也由服务器管着。它从所有改动里挑出必读项,按工作单元一份份发给 agent,记下判了多少。必读项没判完,审查就没结束;没读的改动标"未读",不标"没问题"。最后它输出一段覆盖声明,审到了哪里、哪里没审,都写在上面。

后来我在几款不同架构的设备上都这样审过。补丁公开修掉的漏洞能找到,没公开、被悄悄修掉的也能定位,新功能和新代码带进来的问题和攻击面也能看到。下面用一个公开固件的例子说明。

一次实际运行

CVE-2021-26614 是 ipTIME C200 摄像头上一个不用登录就能执行命令的调试后门,厂商在 1.060 里修了它。我对比的就是 c200_1_058 和 c200_1_060 这两个版本,两个固件都能从厂商官网下载。

模型用的是 DeepSeek-V4.1-Flash,一个通用模型,不是安全专用的,也不是最强的那一档。没有人在旁边指导,也没写长提示词,任务就一句话:对比这两个版本,找出补丁修了什么,每处修得完不完整,新代码有没有带来新的攻击面。

前面几步是 Treasure Map 自己做的,不经过模型。110 个二进制里,106 个两边完全相同,只剩 4 个进入对比。主服务进程 Challenge 有 2262 对函数被标为变化,地址归一化以后,几乎全是重新编译造成的位移,危险调用处真正有改动的只有 23 对。所有对比对象一共 3502 个,Treasure Map 从里面挑出了 144 条必读项。

agent 开了 8 个 worker 并行,把 144 条必读项全部判完:23 条有实质代码改动,121 条没有,0 条无法判断。

报告的结论是:这次补丁里有三处改动看起来像安全修复,三处都没修完整。

第一处是这个 CVE 本身。补丁删掉了进入后门的那个分支,请求走不进去了,但后门的处理函数没删,原样留在固件里,只是没有调用者了。Treasure Map 给它打的标记是"失去了全部直接调用者"。我后来又拿 2026 年 6 月的最新版 1.094 对比了一次,这段代码还在。

第二处是一个栈缓冲区被改大了,单看很像在修溢出,但往里拷数据的那一步两个版本完全一样,拷贝长度仍然没有限制。

第三处是输入校验从黑名单换成了白名单,但只改在浏览器端的 JavaScript 里,服务端接收这些字段的 CGI 两个版本 sha256 相同。同一个表单上还有一个更敏感的字段,前后端都没有校验。

这三处都是把事实摆在一起看出来的。"缓冲区变大了"和"拷贝没有长度限制"放在一起,"前端加了校验"和"服务端一个字节没变"放在一起,结论就很明显了。

任务里问的新攻击面,报告里也有一条。1.060 第一次把 ONVIF 事件订阅服务开放给了客户端,这部分代码在 1.058 里已经写好,只是没有对外。agent 检查了相关的 sprintf 和缓冲区,判断新代码本身没有溢出,但它是一块以前碰不到的协议面,值得单独审。同一个二进制里的 ONVIF 代码后来确实出过问题:KVE-2023-5458 是 Challenge 解析 ONVIF 请求时的内存破坏,2024 年 1 月在 1.086 里修复。

还有两个小问题。1.060 的包里多了一个 vim 交换文件 .ChkOned.sh.swp,里面有脚本原文和开发者的源码路径。另外,NVD 把这个 CVE 涉及的文件名写成了 ius_get.cgi,固件里实际叫 iux_get.cgi。

覆盖声明写得很清楚:144 条必读项全部判完,第二层的 3358 条没有扫。抽样看这些都是构建时间戳和地址位移,但 Treasure Map 不会因此把它们算成"没问题"。

这个流程跑过两遍,模型费用一次 ¥3.55(DeepSeek 闲时价),一次 ¥7.57(忙时价)。

这次运行也有看不到的地方,Treasure Map 在输出里都列了出来。函数指针表和间接调用目前看不透,所以"后门处理函数不可达"只是说沿着已经读到的路径不可达,不是证明。跨二进制的调用链不跟。多跳数据流超过一定深度会断。局部缓冲区有多大推不准,需要人去看反编译。

完整的命令、原始输出和截图都在案例页:CVE-2021-26614“已修复”,但后门代码一直都在

用法

安装是一条命令:

curl -LsSf https://github.com/JoeyZzZzZz/treasure-map/releases/latest/download/install.sh | sh

装完会自动运行 tmap init,配置工具链,把 MCP 服务器注册到你的 agent,再装上 diff 审查用的 skill。Claude Code、Codex、Cursor、Claude Desktop 和 dsh 可以直接配好,其他支持 MCP 的 agent 也能接。tmap init 会先列出要做的改动,你确认以后才执行。

之后用 tmap scan 扫固件,用 tmap diff 比两个版本,剩下的交给 agent。scan 最慢,每个二进制要跑一遍 Ghidra,中断了用同样的 -w 再跑一次会接着来。

目前支持 Linux x86_64(包括 WSL2)和 Apple Silicon 的 macOS,Apache-2.0 协议。现在还是开发者预览版,命令、数据库和 MCP 字段在版本之间可能会变。

Treasure Map 用于防御性的固件审计和漏洞研究,输出的是分析线索,不生成 PoC、payload 或 shellcode。请只分析合法持有的固件,结果需要人工复核。

最后

我本想造一个替代自己的工具,最后造出来的,是一个让我比以前更强的工具。

它还有很多问题。误报、漏报、用着别扭的地方,都欢迎提 Issue:https://github.com/JoeyZzZzZz/treasure-map/issues