文章总结： AI降低了漏洞发现和报告编写门槛，但未经人工验证的批量提交抬高了SRC审核成本。平台需分层审核：前置约束、质量反馈、AI初审和人工升级，并调整奖励机制。研究者需对结果负责，平台应聚焦有效漏洞价值而非报告数量。 综合评分： 82 文章分类： 漏洞分析,安全运营,安全建设,安全工具

从脚本小子到 AI 小子：漏洞报告成本归零之后

原创

messfree messfree

MessFreeSecurity

2026年9月12日 09:07 北京

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

AI 降低了漏洞发现和报告编写的门槛，也把平台的审核问题推到了前台。SRC 需要解决的，是单位有效漏洞对应的审核成本。

先给结论：AI 挖洞本身不是问题，未经人工验证的批量提交才是。预算、人员和合规都会影响 SRC 的运营，但报告噪声会直接抬高审核成本，逼迫平台限流、缩减奖励或暂停入口。

门槛降了，判断没有被替代

“脚本小子”指主要依赖现成工具、缺少独立分析能力的漏洞测试者。“AI 小子”可以看作这种模式的新变体：大模型帮助整理资产、识别接口、生成测试思路和撰写报告，使用者再把结果批量提交到 SRC。

这类报告不一定都是恶意。360 SRC 在 2026 年 4 月发布的《关于 AI 生成漏洞报告的处置公告》中写明，平台既收到过 AI 协助发现的高质量漏洞，也遇到大量未经人工验证的无效报告和由 AI 幻觉造成的误报。公告要求 AI 辅助报告在提交前完成人工验证，并提供危害说明、复现步骤、PoC 和关键结果截图；直接由 AI 生成且缺少验证材料的报告会被驳回，重复违规的账号可能被限制或拉黑。

这份公告没有禁止 AI 挖洞，要求的是人工对结果负责。AI 可以降低资产整理、接口识别、初步测试和报告编写的门槛，但没有替代漏洞判断。研究者仍然需要确认权限边界、证明可利用性、控制测试影响，并说明漏洞对业务造成的后果。

商家 ID、昵称、店铺号这类字段本身不一定构成漏洞。判断前要确认数据是否原本公开，是否通过越权获得，是否可以批量枚举，是否能关联订单、手机号、账户或其他敏感信息，以及是否造成了可验证的业务影响。单纯展示一个公开字段，通常不足以支持漏洞成立；字段暴露也不能只看名称，需要放回权限和业务链路中判断。

提交一份报告，对提交者几乎没有额外成本；对审核方，每一份都要花时间验证、去重、沟通和回复。成本结构因此失衡。

预算不是唯一变量，单位审核成本才是

很多人把 SRC 收缩归因于预算。这个说法有成立的部分：企业可能砍安全预算、压缩漏洞奖励。但 SRC 的运营压力还来自另一个变量：单位有效漏洞所对应的审核成本。

SRC 奖励机制默认提交者会为研究投入时间，平台则按有效漏洞支付回报。AI 改变了这个前提：发现、整理和提交报告的边际成本大幅下降，但平台仍要为每份报告承担验证、去重、沟通和合规成本。

预算紧张会放大这种压力，但即使预算不变，报告噪声过高也会拖慢审核、拉长响应时间，并增加关键漏洞漏审的风险。具体平台的关停或收缩原因，仍需要结合人员、合规、业务周期和官方公告判断，不能只归因于 AI 报告。

这和垃圾邮件存在相似的经济学结构：发信成本下降后，接收方必须投入更多资源进行过滤。SRC 面对的也是报告版的垃圾流量。平台如果不能降低单位审核成本，就可能通过限流、延迟审核、缩减奖励或暂停入口来降低运营风险。

AI 小子不全是新人的问题

批量提交低质量报告的，不全是零基础新人。

一类人把 AI 扫描和批量提交做成流水线，一天提交大量报告，赌平台审核不严，试图用数量换取命中高危漏洞的概率。另一类人有一定基础，但面对资产收窄、修复加快和有效漏洞减少，转而使用 AI 广泛搜索，希望从大量线索中找到少数有效结果。

当提交几乎没有成本，而平台又提供潜在的单条回报时，部分人会选择扩大提交数量。这是激励机制产生的行为，不完全是个人品德问题。但提交者仍然需要对自己提交的内容负责，至少完成复现、影响判断和规则核对。

安全运营已经处理过类似的洪峰

过去十多年，安全运营一直在处理一个与 SRC 相似的问题：告警太多，人看不过来。

早期的 SOC 分析师需要逐条查看 IDS 或其他设备告警，判断哪些是误报。告警量增长后，漏报、疲劳和误判一起出现。行业后来建立了分层流程：海量告警先进入 SIEM，规则引擎负责降噪，关联分析把零散告警串成事件，再按风险排序，人工集中处理高危和边界事件。

人没有消失，只是从“每条都看”变成“只看系统筛出的重点”。SRC 也可以借鉴这套思路，把报告当作需要分层处理的安全信号：先做范围校验和降噪，再去重和分级，最后把人工判断集中到高风险报告。

SRC 需要的是分层审核，不是人海战术

第一层是提交前置约束：校验资产范围，限制异常提交频率，检测相似报告，并要求报告填写入口、权限差异、复现步骤和影响范围。

第二层是质量反馈：把重复、公开信息、不可复现、超范围、低危真实和恶意刷量分开处理，让提交者知道报告为什么被忽略，也让平台能够识别反复出现的质量问题。

第三层是 AI 初审：AI 适合做格式检查、相似报告聚类、重复检测和风险排序。有平台已经尝试让 AI 参与首轮分类和去重，这个方向可以降低人工筛选压力，但不能把 AI 判断直接当作最终结论。

第四层是人工升级：高危漏洞、越权问题、敏感数据暴露和边界案例必须进入人工复核，并通过随机抽检评估 AI 的漏报率和误报率。

奖励机制也可以从“提交一条就有潜在回报”转向“有效利用和报告质量决定回报”。信誉分、分级权限、限流和定向邀请都可以使用，但需要保留申诉机制和新手成长通道，避免把所有误报都当作恶意刷量。

对研究者、平台和想入行的人

对研究者，AI 可以帮助发现线索、整理材料和生成初稿，但不能替你证明漏洞成立。提交前至少要回答三个问题：是否越过了权限边界，是否能够稳定复现，是否产生了明确的安全或业务影响。

对想入行的人，低门槛不等于低要求。基础知识、资产边界、鉴权逻辑和漏洞规则，仍然决定报告能否被平台接受。

对平台，AI 可以承担初筛和去重，但不能替代高风险案件的人工判断。决定 SRC 能否继续运行的，不是报告数量，而是有效报告带来的安全价值，能否覆盖研究、审核和运营成本。

结语

脚本小子没有因为工具变得简单就自动搞垮 SRC。AI 真正改变的是提交成本：当判断和写作也可以被批量外包，平台原有的审核假设就失效了。报告不会消失，审核方式必须改变。先过滤、再分级、人工盯高危，SRC 才有机会在自动化时代继续运行。

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：MessFreeSecurity messfree messfree《从脚本小子到 AI 小子：漏洞报告成本归零之后》