Al安全笔记1：一个网安从业者的AI省钱笔记，月耗两千到四百

原创

山河
山河

山河学安全

2026年6月21日 12:45
贵州
标题已修改

在小说阅读器读本章

去阅读

最近跟几个做渗透的朋友聊了聊，发现大家都有同一个困惑：明明没感觉多用，AI相关的开销却在涨。月底一算，多出来的费用说不清花在哪了。

一个做渗透的朋友给我看了他近一个月的Token消耗记录。跑扫描、审日志、写漏洞验证脚本，都是渗透测试里再正常不过的操作。他以为大头会耗在复杂的漏洞链分析上，结果拆开账单一看，跟想的不太一样。

成本消耗的真实分布

拆解单次API请求的Token构成，可以看到钱到底花在哪了：

• 完整对话历史：约95,000 Token
• 你让AI分析的代码文件（目标系统源码、配置文件等）：约45,000 Token
• 各类安全工具的功能描述与调用说明：约28,000 Token
• 项目背景知识库（业务逻辑文档、接口文档等）：约12,000 Token
• 模型内置的系统指令与规则：约3,800 Token
• 你实际输入的那句话：约50 Token

数据揭示了一个反直觉的事实：渗透测试人员每次提问时，系统需要打包海量“背景资料”随请求一起发送给模型。你真正输入的那句话——比如“这个接口有没有越权风险”——在总Token消耗中占比极低。

这相当于你在内网里每问一个同事问题，对方都需要把整个项目的所有文档重新通读一遍才能作答。

因此，优化的核心思路应从“减少提问”转向“精简系统需要搬运的上下文”。

优化策略

基于上述分析，以下策略经实践验证可有效控制成本，且不牺牲AI的辅助效果。

策略一：隔离会话职责

渗透测试中常见的使用习惯是在单一会话里同时处理多种任务——分析SQL注入点、审计一段认证代码、撰写漏洞描述，全部挤在一个窗口里。几轮对话下来，会话历史里塞满了各类上下文，每发一个新问题，模型都要重新加载全部内容。

合理的做法是按任务类型拆分会话：

• 分析SQL注入 → 开一个会话
• 审计认证逻辑 → 重新开一个
• 写报告 → 再另开一个

切换任务时主动关闭或重置会话，可阻断历史积累。

策略二：按需加载工具

很多渗透测试人员在AI环境中集成了大量安全工具——CVE查询、Shodan搜索、Exploit-DB检索等等。每装一个，系统都要把该工具的说明文档、调用示例塞进每次请求的上下文里。

装十个工具，系统每轮就多背了几万Token的“说明书”，不管你今天用没用。

建议定期审查已安装的工具列表，仅保留高频使用的核心工具。低频工具采用按需加载策略，用完即卸。

策略三：精准引用目标文件

模糊引用会触发AI的主动搜索行为：

“检查权限校验逻辑。”

这类指令，AI要在项目中遍历查找相关文件，搜索链路消耗的Token远高于指令本身。

更高效的做法是直接给路径：

“分析 @src/admin/auth.php 的权限校验逻辑。”

一个精准定位，省去一整条搜索链路。对于大型Java Web应用或微服务项目，这个习惯的收益尤其明显。

策略四：一次性完整描述需求

把多轮碎片化对话合并为一轮完整指令，效果很明显。

碎片化方式：

“看一下这个上传功能。”

“有什么问题吗？”

“能绕过吗？”

“写个验证代码。”

完整指令：

“分析 @src/upload/upload.php 的文件上传功能，检查后缀名绕过和MIME类型绕过漏洞，输出可利用的绕过方法。”

完整指令减少了往返轮数，省掉的Token远多于多写那几个字。

策略五：压缩终端输出

渗透测试中，Nmap扫描、Burp Suite爆破、代码审计工具的输出动不动就是几万行。这些输出全部喂给AI当上下文，实际上有用的可能就最后那几行——开放端口列表、高危漏洞告警、报错栈信息。

RTK这类工具可有效过滤冗余日志，只保留关键信息。实测数据显示，对Nmap扫描日志的压缩率可达90%（从25,000 Token降至2,500）。安装五分钟，配置后自动生效。

策略六：控制MCP工具返回值

CVE详情查询、Shodan API调用等工具返回的数据往往包含大量冗余信息——漏洞描述全文、参考链接、CVSS评分细则等等，这些数据直接被摄入上下文。

context-mode这类工具可将返回值先进行沙箱化处理，不直接进入上下文，仅当AI需要细节时才按需提取。

效果对比：

• 处理前：一次CVE详情查询返回约50KB数据
• 处理后：仅保留漏洞编号、CVSS评分、受影响版本等关键信息，压缩至2-3KB进入上下文

策略七：任务分级匹配模型

并非所有任务都需要调用最强（也是最贵）的模型。渗透测试中的任务可以分级处理：

简单任务（查询CVE漏洞描述、解析端口扫描结果、格式化漏洞报告）

• 可选用免费的AI编程助手（如通义灵码、Trae）
• 或高性价比模型（如DeepSeek）

复杂任务（深度代码审计、多步骤漏洞链分析、攻击路径推演）

再调用高性能付费模型（如Claude、GPT-4）

可在开发工具的配置文件中预设模型路由规则：

• /cve\_query → 自动走免费模型
• /code\_audit → 走付费模型

仅在人工明确指定或任务复杂度触发阈值时启用付费模型。

进阶方案：多Agent安全分析协作

对于大型渗透测试或复杂漏洞挖掘项目，可将安全任务拆分给多个专用Agent：

侦察Agent

• 职责：信息收集、端口扫描结果解析
• 上下文范围：仅处理资产数据

漏洞定位Agent

• 职责：在指定代码或服务范围内查找潜在漏洞
• 上下文范围：仅处理目标代码片段

利用Agent

• 职责：生成利用思路和POC代码
• 上下文范围：仅处理已确认的漏洞点

报告Agent

• 职责：汇总结果生成结构化漏洞报告
• 上下文范围：仅处理各Agent的输出摘要

每个Agent的上下文保持精简，任务独立且可并行执行（如扫描与代码审计同时进行），在提升渗透测试效率的同时显著降低总Token消耗。

总结

AI编程助手的成本优化，核心在于让系统减少对重复背景资料的反复加载。

从即时生效的操作（隔离会话、精准引用），到投入产出比高的工具部署（RTK、模型路由），再到进阶的多Agent协作架构，构成了清晰的优化路径。这套方法论在渗透测试和漏洞挖掘中同样适用。

将上述策略引入安全工具链，可在不降低漏洞发现能力的前提下，实现更经济的AI辅助安全分析流程。