文章总结： 文档介绍了腾讯悟空团队开发的AIAgent系统，通过多智能体协作实现自动化0day漏洞挖掘。该系统包含Client、Remote、Audit、Review和Fix五种智能体，协同完成漏洞检测、验证和修复建议。在GitHubTop1000项目测试中发现247处有效漏洞，SQL注入检测准确率超95%，表现优于传统SAST工具。作者认为AI将推动网络安全向智能化发展，赋能而非取代安全专家。
综合评分： 89
文章分类： AI安全,漏洞分析,代码审计,安全工具,WEB安全
0day漏洞量产？AI Agent“生产线”曝光
原创
腾讯程序员
腾讯技术工程
2025年6月5日 20:30
广东
作者：悟空团队 — 新一代 AI 代码安全捉“妖”行者（原腾讯AI安全-啄木鸟团队)
丨 导语 随着AI技术的迅猛发展，AI智能体在0day漏洞挖掘领域展现出前所未有的潜力。
本文将深入探讨AI Agent如何通过创新的多智能体协作系统，打造出高效的0day漏洞“生产线”，实现自动化的漏洞检测。通过基准测试和实战验证，Agent在复杂代码和大型项目中的表现超越传统工具，极大提升了漏洞识别效率与准确性。
一、AI Agent 颠覆0day挖掘认知
在网络安全攻防的核心战场，0day漏洞挖掘长期以来被视为一项极度依赖专家经验、耗时费力的“手艺活”。
传统的0day挖掘如同大海捞针，依赖人工审计和静态应用安全测试（SAST）工具，虽有其作用，但在应对日益庞杂的代码和系统时，往往面临误报、漏报和效率低下等问题，在处理大型项目、复杂代码系统时，它们的局限性也逐渐显现。
（插画图：AI Agent 与传统漏洞挖掘方式对比）
AI Agent 的出现，正为这一困境带来革命性的突破。通过模拟人类专家的分析与推理能力，结合机器学习的强大模式识别能力，AI Agent 不仅能大幅度自动化审计流程、减轻人工负担，更能精准识别出传统方法难以发现的复杂漏洞，显著提升漏洞挖掘的效率、准确性和深度。
二、“0day生产线”是如何建成的？
AI Agent 通过构建一个多智能体协作系统，效仿专业安全团队的协作机制，从而打造出一条自动化的0day漏洞“生产线”。
1. 系统架构：协同作战的智能军团
(1) Client Agent ：用户交互的入口，负责提交任务并与其他智能体进行协调。
(2) Remote Agent ：负责任务规划与路由，负责将复杂任务分解，并依据各专业智能体的能力进行最优分配，确保整体任务高效执行。
(3) Audit Agent ：审计智能体，漏洞挖掘的核心执行单元。它负责对代码进行从代码片段级到完整项目级的多层次、多维度扫描与风险评估。集成了多种先进扫描技术和算法，以增强审计的广度和深度。
(4) Review Agent ：复审智能体，负责进一步审核漏洞检测结果，结合多种Prompt和评分机制，确认漏洞的有效性和严重性，大幅降低误报。
(5) Fix Agent ：修复智能体，此智能体负责提供初步的修复建议。它通过查询CVE漏洞库、内部知识库等，生成漏洞修复方案。
（图：悟空 AI Agent 架构图）
悟空 Agent 的核心优势在于，它通过精细分工克服了单一智能体在知识广度、分析深度和任务并行处理能力上的局限，使得复杂漏洞的挖掘如同专家团队高效会诊，而非单兵作战。通过A2A（Agent-to-Agent）协议高效协同，确保任务从宏观规划到微观执行的无缝衔接。
2. 工作流程：自动化的流水线作业
悟空 Agent 的工作流程高度自动化，宛如一条精密的流水线：
（图：悟空 Agent 工作流程图）
(1) 任务接收与分解： 用户通过Client Agent 提交任务。该任务首先到达“产线总指挥”—— Remote Agent 。它利用大语言模型（LLM）进行任务规划，将复杂需求智能分解为独立的子任务（如代码审计、结果验证、修复方案生成）。
(2) 并行专业处理： 分解后的子任务被自动派发至“流水线”上的各个专业“工站”——即并行的Audit Agent 、Review Agent 和 Fix Agent 。
● Audit Agent 运用LLM和代码分析模块（如入口识别、上下文获取、漏洞推理）执行深度扫描。
● Review Agent 利用LLM及多重校验、投票机制（如多Checker、疑难点反思）确保结果准确性。
● Fix Agent 参考知识库（CVE库、内部库），借助LLM微调生成修复建议并进行语法检查。
(3) 结果汇总输出： 各智能体完成工作后，将处理响应反馈给Remote Agent 。由它负责整合所有子任务的结果，形成一份完整的、经过层层处理的最终报告或解决方案，并准备交付。
（图：悟空 Agent 的实际工作流程界面）
这个流程通过明确的分工和智能体的并行协作，实现了从任务输入到结果输出的高度自动化，显著提升了漏洞挖掘与处理的效率。
三、AI Agent 的产出与实战验证
1. 基准数据测试：
● GitHub Top 1000开源项目实战验证
为全面评估悟空 Agent 在真实且复杂的代码环境中的实战能力，我们选取了 GitHub 平台某语言排名前1000的开源项目作为基准测试集，直接对这些广泛使用的代码仓库进行真实漏洞扫描与检测。
在测试中，悟空 Agent 展现出高效且精准的漏洞识别能力。特别是在针对SQL注入等常见高危漏洞的检测上，准确率超95%。
在对GitHub Top 1000项目的整体扫描中，悟空 Agent 共计发现并确认了 247 处有效漏洞。这些漏洞在不同影响力层级的项目中均有分布，具体构成请见下图分析：
（图：悟空 Agent 在 Github 某语言下Top1000项目的实战检测成果）
从图中可以看出，虽然顶级项目安全防护相对严密，但中长尾项目中仍存在大量可被利用的风险点。我们也对大部分检出漏洞进行了 CVE 编号申报，申报结果大致分布为：
（图：悟空 Agent检出漏洞的 CVE 申报情况）
2. 实战验证
● 中大型开源项目
在对Github 某 23k Stars 的中大规模开源项目的实战审计中，悟空 Agent 的表现与传统静态应用安全测试（SAST）工具形成了鲜明对照。具体差异可总结如下：
| | | |
| — | — | — |
| 对比维度 | 传统SAST工具 | 悟空 Agent |
| 有效漏洞发现 | 检出数量有限，难以深入复杂逻辑 | 检出较多 (项目中 >15个未披露漏洞) |
| 误报情况 | 误报率通常极高 | 误报率显著降低 |
| 分析能力 | 侧重已知模式匹配，表层分析为主 | 深度逻辑推理，理解复杂输入与上下文 |
| 审计效率 | 大量误报耗费人工甄别时间 | 更聚焦高价值风险，提升人工效率 |
我们在持续迭代工具之余，也及时向项目官方和 CVE 官方纰漏了漏洞细节：
（图：悟空团队向项目官方披露漏洞细节及修复建议邮件）
（图：CVE 官方授予悟空团队漏洞编号的邮件）
● 大型开源项目
为进一步检验悟空 Agent 在处理超大规模、高复杂度项目上的实战效能，我们选取了当前 AI 领域中广受瞩目且代码量庞大的开源项目 Langchain 作为目标，Langchain其复杂的架构、众多的依赖关系以及快速的迭代周期，对任何自动化安全审计工具而言都是一项严峻的挑战。
面对如 LangChain 这样超 100K Stars 的大型项目，悟空 Agent 依然展现出其强大的分析推理能力，通过细致的扫描和智能研判，悟空 Agent 成功在Langchain中识别出若干此前未被发现的潜在安全漏洞。
（图：悟空 Agent 后台检出 LangChian 项目的未纰漏漏洞）
我们高度重视这些发现，并已遵循负责任的漏洞披露原则，将相关的技术细节和潜在风险点整理后，已通过官方渠道或指定的第三方漏洞报告平台（如面向AI/ML项目的Huntr）正式报送给 Langchain 项目维护团队及相关安全应急响应中心。
四、结语
悟空 Agent 是 AI 在漏洞挖掘领域应用的成功案例，通过创新的多智能体协作模式，将0day漏洞的发现效率和准确性提升到了新的高度。AI技术的持续进化，正驱动网络安全迈向智能化、自动化新高度。这不仅是场技术革命，更是安全理念的升华——AI旨在赋能而非取代安全专家。
我们应积极拥抱这场变革，通过深化人机协同，共筑更智能、主动且更具韧性的网络安全新范式。这将使安全专家得以从重复劳动中解放，专注于战略性与创新性挑战，最终推动整个网络安全生态实现跨越式提升。
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：腾讯技术工程 腾讯程序员《0day漏洞量产？AI Agent“生产线”曝光》