传统漏洞分析方法#
- CodeQL（Distefano 等人，2019 年）
- Semgrep（r2c，2020 年）
- Infer（Calcagno 等人，2015 年）
这样的工具可以在不执行程序的情况下分析程序结构，通过模式匹配和数据流分析识别潜在漏洞。虽然它们在检测已知漏洞模式方面很有效，但无法执行攻击或验证可利用性，因此其适用性仅限于漏洞复现。
- AFL（Zalewski，2014）
- AFL++（Fioraldi 等人，2020）
- LibFuzzer（Serebryany，2016）
等模糊测试工具生成测试输入以触发崩溃和错误。KLEE（Cadar 等人，2008）和 KLEEF（Bucur 等人，2024）等符号执行工具系统地探索程序路径。然而，这些技术需要可执行二进制文件或已知易受攻击状态的原代码，并且无法解释自然语言易受攻击描述。
AEG（Avgerinos 等人，2011 年） Mayhem（Cha 等人，2012 年） 这样的系统会自动从程序崩溃或通过其他方式识别的漏洞生成利用程序。虽然它们在自动化方面具有开创性，但它们假设已识别出易受攻击的位置，并专注于内存损坏漏洞，难以处理现代 Web 应用中常见的逻辑错误。
安全导向的基于 LLM 的智能体系统#
近期研究已将智能体架构应用于渗透测试和漏洞利用。#
- PentestGPT（邓等人，2023 年）通过结合大型语言模型推理和安全工具调用，提供交互式攻击指导。
- AutoPentest（亨克等人，2025 年）通过结构化智能体协作，自动化了侦察工作流程。
- 方等人（Fang et al., 2024 年）证明，当提供 CVE 描述时，GPT-4 可以利用 87 种一天的漏洞。
- 朱等人（Zhu et al., 2025 年）表明，协调的智能体团队在复杂的多步骤漏洞利用方面优于单个智能体。
自动化 PoC 生成系统。#
有几个系统专门针对从漏洞描述中自动生成 PoC。
CVE-GENIE（Li 等人，2025）通过理解、规划和执行阶段协调专业代理，在 npm 漏洞上取得了显著成果。
PoCGen（Simsek 等人，2025）通过多阶段管道结合 LLM 与静态和动态程序分析，在 npm 包上达到了 77% 的成功率。
VulnBot（Wang 等人，2024a）采用多代理协作进行全面的漏洞评估。
PoCo（Zhang 等人，2024b）生成与测试框架兼容的智能合约漏洞利用程序。
Teams of LLM Agents can Exploit Zero-Day Vulnerabilities：架构引入了主管智能体（Supervisor Agent）和多个专家子智能体的协同机制。主管智能体负责探索目标网络拓扑，维持长视野规划，并决定在特定阶段调用何种协议专用的子智能体。这种分工显著缓解了单一长上下文窗口中的“注意力稀释”问题。
PoC-Adapt: Semantic-Aware Automated Vulnerability Reproduction with LLM Multi-Agents and Reinforcement Learning-Driven Adaptive Policy
Reply by Email