一些StrikeAgent\_AtkBrain设计上的杂谈

夜安团队SEC

2026年10月21日 15:43
重庆

去阅读

以下文章来源于StrikeAgent
，作者Bouquets

StrikeAgent
.

专注于人工智能（AI）与网络安全攻防技术交叉融合的创新社区，探索如何利用AI技术提升渗透测试、漏洞挖掘、威胁对抗等领域的实战能力。https://bouquets-ai.github.io/StrikeAgent-Web/

前言

StrikeAgent\_AtkBrain-Flash 是夜安团队研发的 Agent 渗透平台，由 StrikeAgent\_AtkBrain-Pro 简化而来，主要面向 CTF 与弱红队场景，期望在这些场景中展现良好表现，并促进社区交流与共建

项目研发之初，曾在 TSecBench 的 TSecBench v1 测试中取得历史第一的成绩。为验证其泛化能力，我们又用同一份源代码参加了 BCTF 2026；若按当时正式比赛榜单计算，恰好排名第八。但在前不久的腾讯智能攻防挑战赛中，该项目仅位列总榜第 46 名，根据题目信息在二进制与内网渗透方向上仍有明显欠缺，为再次印证这个想法我们又用同样的源代码在10.20日去打榜xbow和Cybench同样轻松登顶第一（这两个榜单均没做特调第一次打榜），StrikeAgent\_AtkBrain-Pro 的立项目标本就是专注于“打点”，因此在这些方面能力不足也在预期之中。尽管如此，我仍想谈谈该项目的架构与设计思想，并且依然对其核心理念充满信心

咖啡时间（谈谈想法）

我被问得最多的问题就是：你们是否参考过 Cairn，甚至是在其基础上二次开发？首先必须回答的是，Cairn 获奖之后，我研究并使用过这个项目，但我们还是尽量坚持自己的想法，走自己的路。我可以这么说吗——好的设计总是心有灵犀？哈哈哈。比如状态空间搜索、意图工程等设计，很难视而不见，不同的只是名词的变换罢了。

不可否认，其理念确实具有划时代意义。真正震撼我的不是“黑板”“意识图”等一堆名词术语，而是：“贯彻 Less Is More、极简、减少约束以释放模型能力等理念，还有 0 Skill、0 RAG、0 MCP、反对以具体任务角色为主的多 Agent 架构、不预设任何渗透攻击流程等。”我一直以为 AI 不够强，需要引导，编写的工具也无法直接使用；Cairn 的成绩证明了他们理念的先进性。再次感谢 @淚笑 为开源所做的贡献！

回到正题：在项目名字都还没确定的时候，我就已经定下了“自循环、自监督、自进化”这个大方向。自循环利用模型的泛化性，在多轮 loop 中发现更多信息；自监督（非自监督学习，仅为当前项目名词）解决遗忘和死磕的问题；自进化则主要希望以另一种方式代替 RAG，并利用蒸馏的特性，以极短的真实业务路径替代 RAG 混合检索带来的知识断层。后续在持续优化中，又相继引入了寻宝机制、猎、节点和 Intent 、人机协同等理念。

自循环

我们把持续运行从开头到结尾这一条线运行的叫做从者，通过反复注入人工指令和攻击图快照进行持续驱动。从者单独享有一个全新的Pi进程，攻击图记下本局局面，节点、边、漏洞、否证都写在这里。简报把题面每轮重新带上，避免题面信息在长任务里丢掉。绑定也就是便利签把上一份御主方案注进下一轮——图负责记已经发生的事，绑定负责钉这一轮必须做的事。

自监督

自监督这个项目成为御主是为防止空转和利用模型的泛化性进行路径猜想，最开始分别设计了三套概念，为了应对CTF、SRC、红队三个不同的核心目标，CTF的核心即为对应的目标必定有flag强调穷尽任何方式达成目的，SRC只要求以螺旋上升的形式发现更多漏洞，而红队则是以提升漏洞的危害以达成里程碑（服务器权限，数据库权限、大量敏感信息泄漏）而对各自方案和路径猜想进行特定优化交出一份可执行方案

御主不拿工具，只读简报，交出一份可执行方案，内容包括局面判断、空转属于哪一类、必须执行的假设编号、优先战术、先搁置的族、不许再重复的动作以及要拉起的路径，且假设编号只能引用简报里已经出现的。在经过多次测试后这个方法可以有效防止AI对对一个地方进行死磕。

自进化（分形覆叠）

更准确地说，自进化其实是一种“路径蒸馏”。只有在交上旗，或者漏洞达到高危、严重级别且通过了二次验证时（有红队二次评级时以评级为准），才会触发蒸馏；而失败局、空转局，以及只拿到 shell 却没有可迁移手法的局，均不进入记忆库。蒸馏之前会丢弃地址、端口、题面路径等环境噪音，只留下线索、动作、需要避开的失败以及一条类型链，相同的组合会合并为同一条。下一局时，系统会按当前图上的技术栈、线索和战术进行取回，本局刚写下的经历不会灌回本局；取到的剧本会同时写进御主简报和从者这一轮的注入中。

经过大量实战后，一些对应的固定路径表现得极其出色。我个人并不认为这会严重损害模型的泛化性——我只是在决策的先后顺序上做了梳理。这就和人一样：看到某些信息或情况时，脑海里会立即浮现出多种高概率的后续可能。我理想中的设计，就是这种不断学习、不断进化的状态。

猎面图/寻宝图

猎面图你可以想象为黑板，节点、边、漏洞、否证都写在这张图上，从者不会保留对话的记忆，只读取这张图进行判断，图上有两类对象。节点表示已经落地的局面，按信息、服务、危险面、凭证、漏洞、立足点、终点逐级升高。Intent 表示尚未结束的方向，状态为开着、在做、已证实、已否证、先搁下。否证带失败原因，没有新证据不得重开。

猎面图和寻宝图是同一张图的两个阶段。猎进行中，图叫猎面图，边执行边写入。墙钟到期后丢掉 Pi 会话，图保留。下一次全新会话加载这张图继续搜索，此时叫寻宝图。普通重置只换会话。多次无进展才清空图，重新建图。

寻宝机制

每个任务会存在一个40min的墙钟，当没有重大突破续时的话，触发墙钟后会释放掉当前这个任务，只保留蒸馏好的猎面图。当下次再次启动该任务时，就会有一个全新会话拿着寻宝图，尝试走得更远，这是普通重置的寻宝。当多次普通模式都没有进展的话，还会通过完全重置来尝试找到更多变数，并且这一步后续我们也会考虑加入多种模型（非使用单一deepseek-flash）来引入更多变量。这个机制在ctf模式下会非常有用，毕竟ctf是一定会存在解的（传统意义上），“想要我的财宝吗？想要的话可以全部给你。去找吧！我把所有的财宝都放在那里了。”

其他

其他设计诸如猎、节点和 Intent 、人机协同等理念也是较为大众化的设计，感觉没啥好讲的

最后

在AI的快节奏下，遇见问题解决问题本是极其正确的事，然而想驾驭这把双刃剑，代价仿佛是抽干你倾注其中的灵魂作为交换，它才肯低头妥协，多次迭代后我已经快记不清这个项目的样子了，耳边只剩下无休止的回音：快，快，快。