Cloudflare实战报告：Anthropic前沿模型如何重塑AI自动化漏洞挖掘流程

Cloudflare 通过“Project Glasswing”项目，在自家基础设施上对 Anthropic 开发的 Mythos Preview 模型进行了深度测试。该模型代表了通用 LLM 在安全领域的显著飞跃，其核心突破在于能够将多个低风险漏洞组合成完整的攻击利用链，并自动编写、编译及运行代码以验证漏洞的可利用性，其推理能力接近资深安全研究员。然而，测试也揭示了模型在应用中的挑战：包括在合法研究中的非一致性拒绝行为，以及在海量代码扫描中产生的高噪声和虚假报告问题。研究指出，直接使用通用的编程 Agent 无法有效应对大型代码库，因为上下文窗口限制和单线程处理模式无法覆盖复杂的攻击面。为此，Cloudflare 构建了一套自动化的漏洞挖掘框架，包含侦察、狩猎、验证、填补空白、去重、追踪和反馈七个阶段。通过并行处理窄范围任务、引入对抗性 Agent 进行降噪以及交叉仓库符号索引，该系统显著提高了漏洞发现的准确率和覆盖率。文章结论强调，仅靠加快修补速度不足以应对未来的威胁，安全团队必须转向纵深防御架构，并利用此类 AI 框架来压缩漏洞响应周期。

事件分析

💡 核心观点：AI 安全进入实战化阶段，胜负手已从单点模型能力转向构建多 Agent 编排的自动化防御体系。