文章总结： 本文介绍了一种基于控制论思想的AI攻防创新方案，通过构建推理-信息-行动-反馈闭环而非复杂工程干预，在CTF比赛中实现50/54解题率。核心观点是过度工程会损害LLM本能能力，主张通过宏观意图引导和动态工具注入让AI自主涌现攻击策略。文章提出意图工程2.0理念，并展望了面向真实高对抗环境的AI黑客发展路径。
综合评分： 85
文章分类： 渗透测试,AI安全,红队,安全工具,安全建设
Less Than Nothing – 从本质的本质出发，AI攻防的另一条路
原创
M09ic M09ic
ChainReactor
2026年4月27日 12:39 江苏
在小说阅读器读本章
去阅读
Less Than Nothing – 从本质的本质出发，AI攻防的另一条路
取自 齐泽克的 Less Than Nothing (2012)。”少于无”意为：当你把一切都拿走之后，剩下的不是零，而是比零还少的某种东西—— 成为了新事物生长的种子。
本文有一些有争议的言论， 实际上是刻意保留， 在AI时代， 我也不同意我在两个月前的观点，将观点摆在台面上才能充分的交流。
本次黑客松是面向自动化渗透的。 但我走了一条完全不同于其他战队也不同于过往任何一个AI For Security的设计。 并且事实证明， 这样的设计最大程度的发挥了LLM本身的能力。
Less Than Nothing
PART 01
PART 01
意外导致的消融实验
意外导致的消融实验
控制实验 · Day 1 → Day 2
我们第一天因为各种情况（中转站配置和平台宕机）fallback到了claudecode+opus4.6， 三个cc并发。 第一天结束42名。
并且这个赛制是强时间相关的,
第11名及以后 -10% 第21名及以后 -50% 第31名及以后 -80%
第一天晚上通宵解决所有问题后， 我们的系统完整上线。 早上9点启动， 四个多小时连解接近30题（包括第三赛区的多个内网渗透题目）， 得分7500分光速回到第四，从地狱归来，可能也是唯一一支从地狱归来的队伍。
这是一个很好的消融实验，claudecode+opus4.6 基准成绩在30-50， 比这个排名好的， 说明工程带来了正优化， 比这个名次差的大概率是负优化。
最终解题50/54（ 剩下的题目有一些非预期和非能力相关的坑点）已经足够说明这个独特的方案在能力和效率上完全不弱于其他进行了复杂工程的队伍。
控制实验 · Day 1 → Day 2
双层调度 · 方案架构
外层将比赛规则和前一日的积分表给Claude.md 中， 然后打开了一个 /loop 基于Claude.md 进行5分钟一次的调度
双层调度 · 方案架构
控制论的隐喻
我们有一个假设，大模型已经具备所有的关于渗透的通用专家知识， 例如xss、sql注入、域渗透等等， 并且知识储备远超所有的个体。
而控制论的创始人 Norbert Wiener 在 1948 年就给出了答案：一个系统的智能行为不取决于它”知道多少”，而取决于它能否形成 推理(Reasoning) → 信息(Information) → 行动(Acting) → 反馈(Feedback) 的闭环。知识是静态的，闭环才让知识变成能力。
因此我们的工程不是去教模型如何渗透，而是为它搭建一个足够好的反馈闭环(与Harness)——让它自己的本能得以施展。做得越少，干扰越少，能力反而涌现得越充分。
需要注意，我们也不需要去明确的工程上的构造Harness， Harness 是一种目的和结果， 而非人为的设计。 例如解CTF题， 这样的目的和结果已经自然而然的形成了harness。
控制论的隐喻
所有 Engineering 的底层共性 · 回到 Agent 的起点 — ReAct
这个观点在过去一年中被不同的人以不同的方式不断的提出， 不管是 piagent 、 harness engineering、environment engineering都在强调这个事情， 这个事情被重复发明， 又被重复遗忘， 以至于其本来的面目被忽略。
所有 Engineering 的底层共性 · 回到 Agent 的起点 — ReAct
Information + Feedback = Engineering
我们回到了工程的本质， 所有的AI工程的本质设计 Information + Feedback 的机制。
Information + Feedback = Engineering
架构概览 Intent, Pattern 与 Workspace
我们从 Information + Feedback 的机制出发，设计一个最小抽象
- • Intent: 人类的目的论和方法论表达的自然语言意图， Intent是目的论， Task.md 是方法论
- • Workspace: 可以复用的工作区， 不管是多agent还是单agent多次执行， 又或者是tool、memory、skill等机制， 都通过workspace进行管理
- • Pattern: 设计Agent的行为模式， 例如ralphloop、plan-execute。
架构概览 Intent, Pattern 与 Workspace
AI First 工程的最小抽象
AI First 工程的最小抽象
DAG → Pattern · 路线演进
Agent Pattern的底层是基于FSM（有限状态机）实现。 这个FSM的状态是领域无关的， 是意图的状态机，我们只设计Explorer、Plan、Execute、Research这样的宏观意图，并且通过prompt注入领域知识， 形成宏观意图的Loop。
DAG → Pattern · 路线演进
// CH2 · 代码实例
最简单 ralphloop状态机和Task.md 表示的意图。
// CH2 · 代码实例
// CH2 · 代码实例
// CH2 · 代码实例
Agent Pattern · 行为模式
Agent Pattern · 行为模式
组织关系 · 即设计
这也是非常反直觉的设计。 我们不再编码多Agent的组织方式， 而是通过给Agent的Toolset， 组织关系是涌现出来的。
例如，当我们给一个Coordinator一组 task 管理toolset的时候以及对应的prompt引导， 这个agent自然而然的开始派生其他agent，并且协调多个agent直线的通讯。
当我们给agent team toolset的时候， agent很自然的开始创建team， 并且互相协调组织。
我们通过一组原子工具（可任意挂载）和一个prompt。 多agent之间自然而然的涌现了多种多样的协作方式。
而在CTF场景中Coordinator模式效果最好， 这也是agent自己找到的方案， 而非我们硬编码的。
组织关系 · 即设计
意图工程2.0
我们已经将workspace的创建通过skill实现， 我们只需要给目的与方法论， 就可以让AI协助创建对应的workspace。
这是本次比赛中花了一晚上构建的template， 简单一点描述就是 docker + 字典 + 目的 + nuclei-templates . aide 启动的时候会自动创建一个docker容器， 然后开始运行。
意图工程2.0 我们回到了工程的本质（Information + Feedback）。 我们不再设计Agent的各种工程， 事实已经证明了Agent的本质就是Loop， 一切都应该被动态拓展， 而不是由任何的硬编码硬限制， 也不应该有各种各样的skill、knowledgebase、memory污染其上下文。
意图工程只定义loop的方法论和目的论。 也因此， 我们的这套系统可以模拟上一届和这一届的所有选手的方案， 理论上可以成为所有方案的超集。
我们要创建一个一切工程的工程， 这个工程可以在人类的引导下去创建解决各种问题的方案， 而非是只是在解决问题。
意图工程2.0: Pentest Workspace Template
视差之见
我们本次的方案完全不同于这两届的任意一个战队。这样的出发点因为我们做进攻性基础设施，也做AI框架。
我们发现了另一种”真实”， 基于已有知识构造出来的靶场只需要构建一个工作环境和反馈闭环， 就可以被自然而然的解决。因此我们做了一个激进的实验， 去掉了我们所有的复杂工程， 证明了这个假设。
视差之见
在2025年学到的最大的教训 – 任何过度的侵入都是在损害LLM原本的能力
在本文末尾，我也想向其他队伍提问。 如果进行消融实验，各自复杂系统有多少工程是有价值的。 从我的角度来看， 很可能是0。
不对渗透测试做任何优化，0领域知识的系统能做到50/54解题率， 低于这个解题率或多或少在某些场景进行了负优化。
备注： 剩下的题目评估后也并非agent问题。 未解的题目事后分析， Agent都已经找对了正确的解题方向和漏洞点。
供应链投毒：上传软件包自动部署，如果第一次打挂了， 重启不会刷新， 启动即500错误，导致打挂之后题目就无法解了
Enterprise Helpdesk: xss打管理员端flag。 bot独立部署， 需要配置docker容器内的特殊host，
htpp://web/Layer Breach: 拿到了前面4个flag， 弱口令爆破环节卡住。 主办方更新了提示是泛微，但是我们调试机会用完了， 没给到AI。
在上一次比赛中，我们有一个判断： 任何过度的工程都是在损害LLM原本的能力。
而这次一次， 更是有一个反直觉的结论， 添加已经公开的安全知识对模型来说也是过度侵入， 只需要补充极少的新知识（例如nuclei template中的新poc）， 模型就可以自行推理出合适的攻击路径。
我们的工程层面就通过宏观的意图上对模型进行引导， 并且所有的工程（skill， tool， memory等）对模型都是动态注入并且渐进发现的。
我们通过对模型来说少于无 （少并非代码里上的少，而是模型不需要感知我们的工程， 我们的AI工程代码有约5w行， 可能是比较庞大的工程量）的工程， 实现了其他队伍极为复杂架构的效果。
在2025年学到的最大的教训
2026 · 将诞生接近人类的 AI 黑客
我们的 “无” 是被设计出来的无， 但是我们实际上是一个擅长复杂工程的团队。 我们设计过很多非常复杂的基础设施， 并且正在进行激进AI Native改造。
例如IoM 和rem两个开源的工程， 都是面向实战面向RealWorld强对抗场景下设计的超复杂工程。也正是因为如此， 我们清楚的知道， 需要将这些平台对AI的侵入降低到0， 完全正交。 未来的实战环境中， 真实工作场景一定是 Human * Agent * Infra 三者的交叉。 在当下的任何耦合都是未来的技术债务。
chainreactors 计划设计的不是面向CTF的解题工具， 而是面向realworld的全流程智能化渗透平台和AI Native Offensive Infrastructure。
四大基础设施构成的进攻性操作系统:
IoM: 后渗透与端上对抗的框架
REM: 网络层和组网框架，解决关于网络层和传输层的一切需求
CTEM: ASM、agent的teamserver，自动化分布式部署的IaC、编排框架、数据中台和知识图谱（GraphRag）。
Cyberhub: 浏览器插件、Web、SDK、AI 四端共同构成的知识管理（POC、指纹、规则库、字典库）、威胁建模平台
而我们的AI框架与一切正交，只需要提供对应的工具和知识， 就能适应各种生产级环境， 不管是安全运营、渗透、代码审计还是任何非安全的场景。
我们的设计是面向高对抗环境中的实战场景，本次比赛我们剥离了所有的Infra， 希望下一届比赛可以直接在复杂网络环境， 有防守、有应急、有对抗的环境下进行一次真实环境中的AI攻防。
2026 · 将诞生接近人类的 AI 黑客
本文有很多过于激进的观点和想法还请见谅。 AI时代我自己的想法1个月就会推翻自己一次。 因此不用过于在意当下各种观点的对错， 而是快速跟上技术的变革， 通过一次又一次激进的重构让我们的方案能更好的解决各种问题。
AI #AIForSecurity #Pentest #Hacker #Harness #Agent
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：ChainReactor M09ic M09ic《Less Than Nothing – 从本质的本质出发，AI攻防的另一条路》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论