简介
随着大语言模型推理、规划、工具调用和自主决策能力不断提升，AI Agent正推动漏洞挖掘向智能化、自动化发展。核心议题包括：一是梳理AI Agent赋能漏洞挖掘的能力基础与系统机制；二是分享AI Agent在漏洞挖掘关键任务中的代表性系统与前沿进展，探讨其与传统漏洞挖掘技术的融合应用；三是探讨AI Agent在真实软件系统中的工程实践、能力边界及发展趋势。 推荐理由：软件系统复杂度持续提升，传统漏洞挖掘方法面临效率与规模挑战。AI Agent正在重构漏洞挖掘与安全分析流程。本论坛将汇聚相关领域最新成果，促进学术界与产业界交流合作，推动AI Agent赋能网络安全技术创新与应用。
简介为官网原文，部分内容可能未写完。
人员
主席
- 张玉清 · 中国科学院大学
嘉宾
- 陈恺 · 中国科学院信息工程研究所
- 纪守领 · 浙江大学
- 刘奇旭 · 中国科学院信息工程研究所
- 梁彬 · 中国人民大学
- 于冬松 · 中关村实验室
- 李振源 · 浙江大学
报告安排
AI智能体时代下的漏洞发现技术思考
陈恺 · 中国科学院信息工程研究所
简介
随着大语言模型与AI智能体技术的快速演进，漏洞发现正从依赖人工经验的传统范式，迈向具备自主推理、工具调用与持续优化能力的智能化新阶段。本报告聚焦AI智能体时代漏洞发现的新机遇与新型安全挑战，从两个维度展开思考：其一，AI智能体通过代码审计、模糊测试、多智能体协作等路径显著提升漏洞挖掘的规模与深度，谷歌已利用其发现上千个Chrome漏洞，包括潜伏多年的沙箱逃逸漏洞；其二，智能体自身引入提示词注入、数据污染等新攻击面，MCP服务器等基础设施进一步扩大暴露面，使智能体本身成为亟需保护的安全对象。在此基础上，报告提出构建覆盖智能体全生命周期的漏洞发现与安全验证框架，探讨双向突破的技术路径，以期为智能化漏洞发现技术的创新发展提供参考。
大模型驱动的网络渗透任务编排与错误纠正
纪守领 · 浙江大学
简介
大模型智能体在网络空间攻击路径自主规划、自动化漏洞挖掘、自动化威胁情报/攻击面分析等方面显示出远超预期的能力，正在重塑网络空间的对抗格局。五角大楼正与领先的AI公司合作，旨在开发针对中国等对手的电力系统、公用事业及敏感网络进行自动化渗透与侦察的系统。面对复杂黑盒渗透目标时，现有自动化渗透框架的自动化程度与实战可用性仍有不足，特别是在遇到失败时，由于反馈信息受限，如何进行后续任务的调整与规划是一个巨大的挑战。针对上述挑战，我们正在开发用于实战复杂网络的渗透侦察场景的自主攻击智能体，在无需或仅需少量人工干预的情况下能自主完成任务，并通过交互方式与可视化设计，降低使用者的认知负荷与干预成本，实现高危操作的可控执行与实战意图的精准实施，有效提高渗透成功率和效率，实现“以智能化对抗智能化”。
大模型驱动的应用安全分析:从漏洞检测到可利用性验证的实践探索
刘奇旭 · 中国科学院信息工程研究所
简介
随着大模型技术的快速发展，其在语义理解、知识抽取和自动化分析等方面的能力，正在为漏洞检测与应用安全分析提供新的思路。漏洞检测涉及测试样本构造、PoC生成、误报过滤和结果验证等多个环节，传统方法在测试数据集不足、复杂交互流程探索和人工审核成本等方面仍面临挑战。本报告将聚焦大模型辅助漏洞检测的关键切入点，结合真实项目级漏洞评测基准构建、云平台访问控制配置检测、代码审计以及智能家居App缺陷检测等研究实践，探讨大模型与程序分析、自动化测试以及漏洞验证技术的融合方式与应用前景。
AI Agent系统缺陷检测实践
梁彬 · 中国人民大学
简介
随着AI Agent在网络安全、系统运维等场景中的广泛应用，其系统缺陷带来的安全风险日益突出。不同于传统软件，AI Agent具备自主感知、规划决策与工具调用能力，其缺陷形态涵盖代码漏洞、提示词注入、多智能体协作冲突及记忆污染等新型问题，对检测技术提出全新挑战。本报告聚焦AI Agent系统的缺陷检测实践，采用智能体驱动的自动化检测方式，融合静态分析、动态模糊测试与符号执行等多种检测模式，在Linux内核、无人机飞控系统及CPU微架构等真实复杂系统中开展大规模检测，成功发现了相当数量的未知缺陷，验证了该方法的有效性与通用性。报告将系统梳理Agentic检测框架的设计思路、关键技术以及在实际系统中的应用案例，分享检测过程中的发现与经验，为AI Agent系统安全评估与质量保障提供参考。
AI时代下的模糊测试技术思考与实践
于冬松 · 中关村实验室
简介
模糊测试是当前漏洞挖掘的主流技术之一，长期以来主要依靠随机变异与覆盖率反馈来发现程序缺陷。然而，面对结构复杂、约束较深的目标程序时，其测试效率和代码覆盖能力受到较大限制。近年来，大语言模型在代码理解与推理方面展现出强大能力，为模糊测试提供了新的技术路径，也重构了漏洞挖掘的技术范式。本报告将介绍AI时代下对模糊测试技术的思考与实践。首先，传统模糊测试工具在工程实现上高度耦合，已成为制约智能调度的主要障碍；更重要的是，经典的模糊算法虽然在覆盖率引导和种子调度上较为成熟，但在关键的变异环节仍以字节层面的随机翻转为主，既不理解输入的格式结构和程序语义，也难以快速生成满足深层约束的有效输入。为此，我们对传统模糊测试框架进行解耦重构，为其增添交互式的运行时策略干预能力；同时，利用大语言模型的程序理解能力，根据实时需要对变异环节进行增强，从而更有针对性地生成能够触发深层代码路径的输入，提升漏洞挖掘的效率与深度。