文章总结： 浑象是面向AI安全Agent的评测基座，通过动态Flag注入、原生MCP协议集成、支持Windows/AD域环境等设计，解决传统靶场语料污染与交互瓶颈，提供150+题目与自动化接口，旨在构建闭环评估生态，鼓励社区共建。 综合评分： 85 文章分类： AI安全,渗透测试,红队,内网渗透,安全工具

---

浑象 —— AI 时代的安全能力评测基座

原创

wgpsec wgpsec

WgpSec狼组安全团队

2026年7月11日 19:14 北京

在小说阅读器读本章

去阅读

点击蓝字

关注我们

声明

本文作者：WgpSec·AI组

本文字数：2786字

阅读时长：约10分钟

附件/链接：点击查看原文下载

本文属于【狼组安全社区】原创奖励计划，未经许可禁止转载

由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失，均由使用者本人负责，狼组安全团队以及文章作者不为此承担任何责任。

狼组安全团队有对此文章的修改和解释权。如欲转载或传播此文章，必须保证此文章的完整性，包括版权声明等全部内容。未经狼组安全团队允许，不得任意修改或者增减此文章内容，不得以任何方式将其用于商业目的。

❝

近一年来，网络安全行业聊得最多的词无疑是“AI Agent”或“AI自动化渗透”。从最初写写漏洞利用脚本，到如今大火的 Claude Code、Cursor，大模型在安全场景下的自主多轮决策能力让不少从业者感到惊艳。

但在这股热潮背后，有一个始终绕不开的现实问题：我们到底该怎么客观、真实地去评估一个安全 Agent 的实战能力？

传统安全圈熟悉的那套 CTF 靶场，直接拿给 AI 测往往漏洞百出。这并非指靶场本身不好，而是因为“人类选手”与“大语言模型”的交互逻辑、作弊边界完全不同。

针对大模型安全能力评估的种种痛点，我们在前段时间开源了 浑象 (Benchmark Platform) 靶场评估基础设施。今天不聊虚的，结合项目开源以来的实践，和大家深度拆解目前 AI 安全评测的真实痛点，以及浑象是如何在架构上做应对的。

传统靶场测 AI，为什么不可行？

如果直接把 AI 扔进现有的 Web 靶场，通常会遇到四个很现实的技术瓶颈

“语料污染”带来的作弊行为（Data Contamination）

传统的安全评测多采用静态题目或固定 Flag。大模型在训练阶段可能早就把相关靶场的 WriteUp 倒背如流了，甚至它能直接通过联网搜索搜到答案。这时候 AI 拿了满分，测出的只是它的“记忆力”而非“推理利用能力”。

缺乏大模型原生的交互接口

几乎所有的传统靶场都是为了人类设计的。AI Agent 想要接入，得先接一套复杂的自动化表单爬虫或者定制开发一套 HTTP API 转换层。这导致评测环境的泛化性极差，换个平台就得重写接口。

高频压测下的靶场稳定性危机

AI 的操作频率和人类完全不是一个量级。当数十个 AI Agent 同时进行自动化渗透时，靶机环境的频繁启动、垃圾回收、健康检测以及“冷启动延迟”，都会直接拉垮整个自动化压测的流水线。

无法评估渐进式的渗透链路与企业级复杂内网

真实的渗透测试是一个纵深推进的过程。传统的“单 Flag 验证”只能非黑即白地判断 AI 有没有拿到最终权限。更重要的是，现有的平台大多只能跑 Linux 容器，根本无法模拟企业内部复杂的 Windows 环境与企业级横向移动链路，导致模型评测与真实实战严重脱节。

浑象的设计思路：用 AI 的方式对齐评测环境

为了解决上述痛点，浑象在架构设计上彻底抛弃了“人类中心主义”，转而面向大模型和自动化流程进行深度定制。

浑象平台界面

原生集成 MCP 协议，让 AI “自带工具”

我们参考了腾讯云智能渗透黑客松的设计思路，让像 Claude Code、codex 这一类主流的 Agent 框架，可以无需任何 API 适配，直接挂载浑象的 MCP 端口。

AI 能够以大模型原生的结构化上下文，自主调用 5 个标准工具：

| 方法/命令 | 功能说明 | 参数 | | — | — | — | | list_challenges | 获取赛题列表及队伍进度 | — | | start_challenge | 启动赛题实例 | code | | stop_challenge | 停止运行中的实例 | code | | submit_flag | 提交 Flag 答案 | code , flag | | view_hint | 查看赛题提示（扣除总分 10%） | code |

把选择权和控制权完全交还给模型本身，真正实现“大模型原生”的靶场交互。

AI交互文档

动态 Flag 运行时注入：斩断“盲猜投机”，强制链路闭环

为了防止大模型在评测中“刷榜投机”，浑象引入了动态 Flag 注入机制。Flag 绝不预先烘焙在 Docker 镜像里。每次实例拉起时，后端会在运行时动态生成唯一的 flag{uuid} 并注入到容器的环境变量或指定文件中。

不过动态 Flag 并不能阻止大模型对解题步骤（WriteUp）的语料记忆。但它的核心价值在于斩断了“不看环境、盲猜答案”的作弊可能——即便 AI 的记忆力再强，它也必须老老实实地走通真实的漏洞利用链路，触达到内存或文件系统，才能拿到最终的正确答案。这为自动化评测构筑了一条不可逾越的“实战验证”底线。

题目列表

一键预热与热加载，为高频评测减负

针对 Docker 实例在高频启动时容易超时卡死的问题，浑象设计了完善的镜像预构建与缓存管理功能。在平台后台，运维人员可以对赛题镜像进行一键预热，确保 AI 在批量测试时靶机能“秒级拉起”。

题目预热

同时，平台内置的「靶场商店」支持从 GitHub Releases 直接热加载导入新题，配合国内镜像加速，极大降低了长期维护成本。

靶场商店

Windows 系列与复杂的 AD 域靶场动态启停

真实的红蓝对抗中，Windows 系统和 Active Directory (AD) 域控网络才是绝对的主战场。在底层技术上，浑象目前已经支持了 Windows 系列靶场以及 AD 域环境的动态拉起与生命周期持久化管理。

AD域靶场

Windows靶场启动中

第四层AD靶场

数据即资产：AI 驱动的“一键规范化”出题生态

出题困难、赛题规范不统一，往往是靶场运维最大的包袱。浑象团队在赛题数据仓库（benchmark-challenges）中沉淀了一套严格的赛题声明规范。

我们为 AI 配置了专属的生产力 Skills。安全研究员或出题人只需要将这套规范和 Skills 复制给你的 AI 助手（如 Claude 或 GPT），大模型就能自动且规范化地为你生成开箱即用的靶场配置文件。

这种“AI 生成考卷去考 AI”的范式，做到了让靶场生态的一键化、规范化沉淀，使得赛题库的扩充和迭代变得极为轻量。

一键导入题目

开源后的实际反馈

项目开源了一段时间，看到有师傅在一篇针对安全 Agent 的深度评测文章里，直接用了浑象作为底座。作者提到的一句话正好契合了我们的设计初衷：

“平台自带了近 150+ 的题目，然后还支持不同队伍，以及 agent 自动启动自动提交的接口，所以这也让我的测评变得更加的便捷。”

天下大木头，公众号：木头的信安小屋AI 自动化渗透的实践落地记录

无论是多队伍并发压测，还是 Agent 的全自动生命周期管理，浑象原本的目的就是让安全团队告别繁琐的接口适配，回归到安全能力对抗的本质。

在 WgpSec 的整体构想中，浑象是智能安全生态(WgpSec Agentic Ecosystem) 中负责“闭环评估”的关键底座：我们通过 AboutSecurity 积累知识，利用 context1337 提供接口，结合 tchkiller（代码开源） ，AI通用解引擎 Alkaid 瑶光（私有） 结合去做自动化攻防——而 浑象 (benchmark-platform) ，就是检验这整套 AI 安全生态实战成色最严格的考场。

未来规划：支持 redc 调度上云，打破硬件枷锁

本地评测 Windows 和 AD 域靶场，对评测机的 CPU、内存和磁盘 I/O 都有着极高的要求，这成了很多安全团队自动化高频压测的硬件瓶颈。

为了解决这一痛点，我们正在考虑支持通过 WgpSec 红队基础设施 redc 方式进行靶场调度启动。

让浑象将不仅仅局限于本地的 Docker Compose 或本地虚拟机集群。

通过与 redc 的深度结合，靶场实例将被无缝调度至云端高性能基础设施上运行。这种“靶场上云”的模式，不仅能利用云端的弹性算力瞬间并发拉起成百上千个复杂的 Windows 域控网络，还能实现网络隔离与云端流量审计，打破本地硬件资源的枷锁，让大规模安全 Agent 的分布式批量压测变得高效且经济。

项目共建

浑象平台底层的研发参考了 xbow-engineering、Neuro-Sploit 等社区优秀项目的技术成果，在此致谢。

目前的开源仓库（https://github.com/wgpsec/hunxiang主要负责平台管理及核心的调度逻辑。

如果你有很有意思的靶场题目构想，欢迎到我们的靶场数据仓库（https://github.com/wgpsec/benchmark-challenges）提交 PR 或 Issue！

作者

WgpSec · AI组

www.wgpsec.org

扫描关注公众号回复加群

和师傅们一起讨论研究~

长

按

关

注

WgpSec狼组安全团队

微信号：wgpsec

Twitter：@wgpsec

---

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：WgpSec狼组安全团队 wgpsec wgpsec《浑象 —— AI 时代的安全能力评测基座》