文章总结： ClarotyTeam82使用AnthropicClaudeOpus4.5模型对Zenitel视频对讲机进行完全自动化漏洞挖掘实验。模型在10分钟内自动发现5个高危漏洞（含三个命令注入、一个越界写入、一个跨站脚本），并生成披露级报告。实验表明AI能自主完成固件提取、脱壳、逆向分析和漏洞报告全流程，效率远超人工。这标志着漏洞研究门槛正从技术能力转向获取固件能力，安全团队需重新评估漏洞管理策略以应对即将到来的AI驱动漏洞报告浪潮。 综合评分： 89 文章分类： 漏洞分析,AI安全,红队,渗透测试,安全工具

放手一搏：当漏洞挖掘完全交给大模型

幻泉之洲

2026年6月5日 12:51 北京

在小说阅读器读本章

去阅读

Claroty Team82 用 Anthropic Claude Opus 4.6 对 Zenitel 视频对讲机做了一次完全自动化的漏洞挖掘实验。不到10分钟，模型就把我们去年花了几小时手动发现的5个高危漏洞全部挖了出来，还自动生成了披露级别的报告。这背后不只是效率提升，更意味着漏洞研究的门槛正在从“技术能力”坍缩为“搞到固件”。

AI 搭上研究流水线

AI 和大模型正在把无数行业的运转方式掀个底朝天，安全研究也不例外。Team82 去年手动分析过 Zenitel 的 TCIV-3+ 视频对讲机，一台部署在军政机构、监狱、核电站等高安全场景的加固型 IP 设备。我们当时挖出了5个严重漏洞：三个命令注入、一个越界写入、一个跨站脚本，CVSS 清一色 9.8。那轮研究前前后后耗了好几个小时。

于是我们想看看，如果把这活儿甩给 AI 干，它能多快找到同样的问题？会不会挖出新漏洞？能不能自己把漏洞串成利用链？

▲ 一台 Zenitel TCIV 3+ 视频对讲机

说实话，我们心里有数。Anthropic 的 Project Glasswing 已经在封闭测试中把漏洞发现和利用的时间压缩到了令人警惕的程度。那个项目背后的 Claude Mythos 前沿模型目前只开放给微软、思科、亚马逊、NVIDIA，还有 Crowdstrike、Palo Alto Networks 这样的安全公司。但潮水很快会蔓延——全球企业已经开始重新评估自己的漏洞和暴露面管理项目，因为他们预感未来几个月会有海量的 AI 辅助漏洞报告涌来。

所以我们决定自己掀开帘子，把 AI 直接塞进研究方法论里，看看这东西到底能把安全研究改写多少。

手动挖洞的旧时光

先回顾一下我们去年怎么做的。拿到 Zenitel 官网下的软件更新包，提取文件系统，找到 Web 服务相关的二进制文件「ipstweb」，一个 UPX 加壳的程序。用 UPX 脱壳，上静态分析，反复优化反编译结果，看清代码流，然后开始沿着容易出事的路径往里钻。

最终挖到五个洞：

• CVE-2025-64126：命令注入，可执行任意代码
• CVE-2025-64127：命令注入，可执行任意代码
• CVE-2025-64128：命令注入，可执行任意代码
• CVE-2025-64129：越界写入，可导致设备崩溃
• CVE-2025-64130：跨站脚本，可在受害者浏览器执行 JavaScript

这就是传统路数：几小时的人工分析加经验判断。

换上 Claude Code 的自动驾驶

我们选择用 Anthropic 的 Opus 4.6 模型，不是他们最新的前沿版，但在技术任务上准确度很稳。工具链是 Claude Code，一个命令行下的代理型编程助手，能用自然语言指令执行命令、修改文件。

我们在工作目录里放了三个核心东西：一个 CLAUDE.md 上下文文件，一个 MCP 服务配置（连接 Ghidra 反编译器），以及目标文件夹里面躺着那个 Zenitel 固件更新包。

CLAUDE.md 是整个实验的“剧本”。我们把它设定成一个参加 CTF 比赛的安全研究员，给了它关于二进制分析和逆向的方法论、详细的工具使用说明，还有我们自建的 Ghidra MCP 服务——这玩意儿能让模型直接操控 Ghidra 看代码、查交叉引用、标记函数。

几乎没给它任何具体目标描述，只说了一句：去研究这个固件里的 Web 服务。因为我们知道那是攻击面最密集的地方。

十分钟，端到端

速度有多快？看时间戳：

一分钟，模型自动提取了固件文件系统，开始定位 Web 服务组件。

一分半，找到 ipstweb 二进制文件。

两分钟，识别出 UPX 加壳，发现缺少解压工具，自己安装 UPX 并成功脱壳。

三分半，通过 MCP 把二进制扔进 Ghidra，然后开始用命令注入这类高收益漏洞的通用模式往上砸。

六分半后，一份完整的漏洞报告出炉。

报告里不光有漏洞列表，还有反编译片段、代码流分析、输入验证逻辑的识别，甚至标注了潜在的绕过方法。

一共不到10分钟。作为对比，同样的漏洞我们手动挖花了数小时。更值得玩味的是，这些漏洞虽然已有 CVE 编号并且厂商修了，但技术细节从未公开。这意味着模型不是靠搜索已有资料“背诵”出来的，而是真刀真枪从二进制分析里挖出了证据。

这不止是效率竞赛

速度快当然爽，但我更在意另一件事：模型在整个过程中几乎没有跑偏。它自己决定先看哪个二进制，该脱壳就去装工具，分析完直接写报告。没有跳到无关的系统脚本，没有纠结于低危配置问题，也没有陷入逆向的死胡同。

这种“目标紧贴度”太像人类资深研究员了，但它完全不需要休息，也不需要手把手引导。

报告里挖到的洞也五花八门：有纯命令注入、有内存破坏、还有不安全的系统配置。这说明模型不是只擅长一种漏洞模式，它把攻击面相当系统地扫了一遍。

最关键的一个判断是：只要你能搞到厂商公开的固件或软件更新包，配上合适的工具链和上下文设定，大模型已经能跑通端到端的漏洞研究。这意味着零日漏洞挖掘的门槛不再是“你技术有多牛”，而是“你拿不拿得到固件”。这个变化非常根本。

未来的洪水与避风港

说实话，这种自动化研究一旦门槛降下来，第一波冲击必然是开源软件这样的白盒目标。代码完全开放，模型可以毫无障碍地扫描、编译、fuzz。对于那些依赖开源组件但自身安全人力不足的企业来说，未来几个月漏洞报告可能会多到处理不过来。

短期内，固件加密、不公开的软件包还能给企业安全团队争取一点时间。但这道墙迟早会被打穿——攻击者也可以用同样的技术栈，而且他们不会有漏洞披露的负担。

Claroty 跑这个实验不是要炫耀工具，而是想拉一把警报：漏洞研究的工业化时代来了。防守方如果还只靠人肉审计和周期性渗透测试，面对整天用 AI 扫描的对手，窗口可能从月级缩短到分钟级。该重新想想漏洞管理策略了。

参考资料

[1] https://claroty.com/team82/research/hands-free-what-llm-driven-vulnerability-research-looks-like

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：幻泉之洲 《放手一搏：当漏洞挖掘完全交给大模型》