Mythos 在检测软件漏洞方面似乎确实如其所宣称的那样强大；但它在其他方面的能力则更为微妙。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

自四月初发布以来，Anthropic 的 Mythos 人工智能模型就引起了广泛关注，主要原因是它据称能够发现比其他任何人工智能模型都多得多的漏洞。自主攻击型安全公司 XBOW 已将其人工智能测试工具应用于 Mythos Preview，以验证其这项能力以及其他 Mythos 功能的有效性。

Anthropic 的主要说法得到了证实。XBOW 报道称：“无论供应商是谁，Mythos Preview 都比所有现有型号有了显著提升。”

正如 Gary McGraw 20 年前所指出的，运行缺陷源于源代码错误和架构设计缺陷之间的相互作用。“你不可能仅仅通过盯着代码就能发现设计缺陷——你需要更高层次的理解，”他说道。XBOW 对 Mythos 模型进行了测试，分别测试了仅访问源代码和代码在实际运行环境中的表现。测试发现，该模型在“实际运行环境+源代码”的测试中表现出色，但在仅测试源代码时则效果不佳。

这并没有削弱 Mythos 探测源代码的能力，但 XBOW 指出，虽然任何 AI 模型都能发现一些有趣的东西，但“一些东西”并不等同于“一切”。

XBOW 的其他测试探索了 Mythos 在判断力、逆向工程、原生应用程序评估和视觉敏锐度方面的能力。

在判断方面，它比之前的版本更能排除假阳性结果，“但有时也会因为证据不符合其标准而漏掉真阳性结果。” Mythos 需要精确的提示才能获得最佳结果。

该模型在发现本地代码漏洞和逆向工程方面都表现出了强大的实力。

在逆向工程测试中，XBOW 得出结论，Mythos“能够对其自身的结果和竞争对手模型的发现进行分类”，并且该模型能够推理不寻常的固件和嵌入式系统环境。

XBOW 的视觉敏锐度测试旨在检验模型通过浏览器界面与实时网站交互的能力；也就是说，它能否识别正确的 UI 元素并点击正确的位置。“当被要求提供精确坐标时，它并非像素级精确，但它在选择正确的浏览器操作方面非常有效，”XBOW 写道。

然而，有一项统计数据很容易被那些被 Mythos 的强大功能所震撼的用户忽略。“Mythos Preview 不仅仅是一款新机型：它是一款真正的巨头。但巨头体型庞大，而庞大就意味着昂贵。”

截至发稿时，具体价格尚未公布，但Anthropic公司表示，这款产品的价格将是Opus型号的5倍。这让XBOW不禁思考，是否有可能以更低的成本，让一款价格更低的型号拥有更长的使用寿命和更高的精度。

结论是肯定的。“如果我们按预估运行成本进行标准化，结果就相当清晰了：Mythos Preview 的效率并不算太低，至少在追求高精度的情况下是如此，但它在我们的基准测试中也并非最佳选择。” 在固定令牌预算下查找 Web 漏洞时，Mythos 的性能优于 Opus 4.6，但逊于 GPT5.5。

这些发现均不影响最初的根本论断。Mythos 在发现代码漏洞方面优于其他模型。然而，总体而言，XBOW 测试的主要结论是：

• Mythos 在源代码审计方面功能极其强大。

• 它在验证漏洞利用方面表现不错，但功能稍弱。

• 它的判断褒贬不一。它可能过于字面化和保守，而且往往高估其研究结果的实际意义。

• 它在本地代码漏洞发现和逆向工程方面实力雄厚。

XBOW 总结道：“Mythos Preview 在发现潜在漏洞方面表现出色，尤其是在源代码方面，并且在 Web、原生代码和逆向工程任务中展现了令人印象深刻的能力。”

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

员工易中钓鱼陷阱？一键开展实战演练，即刻免费申领试用👉

跳转微信打开

对40个AI模型进行评估，发现绝大多数模型给出自信且错误的答案。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

根据人工智能分析（Artificial Analysis）的AA-Omniscience基准测试，对40个AI模型的2025年评估发现，除四个模型外，其余所有测试模型在困难问题上更可能提供自信的错误答案而非正确答案。随着AI在网络安全运营中扮演更大角色，组织必须将每个AI生成的回复视为潜在漏洞，直到经过人工验证。

什么是AI幻觉

AI幻觉是自信呈现的、听起来合理但事实不准确的输出。基础语言模型不会检索经过验证的信息；它们通过从训练数据中学习到的模式预测单词和短语来构建回复。由于它们的回复在统计上可能是正确的，但不一定为真，幻觉输出可能与准确信息非常相似。在幻觉发生时，AI模型可能引用不存在的来源、参考从未进行的研究，或以与可信信息相同的确定性呈现伪造数据。

对于组织而言，AI幻觉的主要问题不仅是准确性，还有信任错配。当AI输出听起来像绝对真理时，员工可能认为它是正确的，并在未经核实的情况下采取行动。在网络安全环境中，错误的AI输出构成重大安全风险，因为它们不仅为关键决策提供信息，还直接输入可触发操作行动的自动化系统。结果可能包括系统中断、财务损失和引入新漏洞。

什么导致AI幻觉

减轻AI幻觉影响的第一步是理解它们如何形成。以下是可能导致AI幻觉的各种因素：

有缺陷的训练数据： AI模型从它们被训练的数据中学习。如果这些数据包含过时信息或明显错误，模型会将这些缺陷纳入其输出。它不会标记差异；它会从中学习。

输入数据中的偏差： 某些模式或场景的过度代表可能导致AI模型将这些模式视为普遍适用，即使上下文不同。

缺乏回复验证： 基础语言模型并非为验证事实准确性而构建。它们优化的是连贯、看似合理的输出。虽然某些系统添加了检索或接地层来降低这种风险，但核心生成过程仍然容易产生幻觉。

提示歧义： 模糊的输入增加了AI模型用假设填充空白的可能性，提高了错误输出和幻觉的风险。

AI幻觉影响网络安全的三种方式

并非每个AI幻觉都有同等影响，但错误或捏造的信息可能使组织容易受到严重网络威胁。AI幻觉主要表现为三种形式：未被察觉的威胁、捏造的威胁和错误的解决方案。

1. 未被察觉的威胁

AI威胁检测通常依赖于基于历史数据和学习行为识别模式和异常。当网络攻击与已知行为一致时，AI模型表现良好；但当不一致时，模型没有可比较的内容，因此威胁可能不会被注意到。这对于代表性不足的攻击技术和零日攻击（利用供应商未知且尚未修补的漏洞的攻击）尤其成问题。由于这些威胁未反映在训练数据中，AI模型缺乏标记它们的足够上下文，导致更高的未检测漏洞可能性和环境中的更大暴露。

2. 捏造的威胁

与未被察觉的威胁相比，AI模型也可能通过将正常活动错误分类为恶意来产生误报，提醒团队注意不存在的威胁。例如，正常网络流量可能被误解为可疑，触发提示不必要事件响应操作的警报。这些误报可能导致系统关闭、资源浪费和捏造威胁的业务中断。随着时间推移，反复出现的误报可能导致警报疲劳，即安全团队对所有警告变得麻木。这增加了在团队已被训练不信任警报的环境中，合法威胁被忽视的风险。

3. 错误的修复

这是AI幻觉最危险的形式之一，因为它发生在信任已经建立之后。例如，AI系统可能自信地建议删除敏感文件、修改系统配置或禁用防火墙规则。如果这些操作被执行，特别是通过特权账户，可能使组织暴露于基于身份的攻击、横向移动或不可逆的数据丢失。即使AI威胁检测是准确的，幻觉指导也可能将已控制的安全事件升级为更广泛的漏洞。

组织如何降低AI幻觉风险

虽然AI幻觉无法完全消除，但可以通过以下控制和治理措施显著减轻其影响。

行动前要求人工审核

AI生成的输出不应在未经人工验证的情况下触发敏感或特权操作。这对于涉及基础设施变更、访问更新或事件响应的工作流程尤为重要。审核要求不应仅在出现问题时发生；无论对错，模型的听起来同样自信。

将训练数据视为安全资产

AI幻觉通常可追溯到训练数据。定期审核用于训练或接地AI系统的数据，通过消除过时记录、有偏差的数据集和不准确信息，可以减少这些缺陷出现在输出中的可能性。随着AI生成的内容在网络上越来越普遍，未来模型在早期模型生成的捏造信息上进行训练的风险增加——这种现象有时被称为模型崩溃。没有持续的数据治理，缺陷AI输出的风险只会增加。

对AI系统强制执行最小权限访问

AI驱动的系统应仅被授予执行任务所需的权限。这可能表现为一个AI系统只允许读取文件而不允许删除——即使幻觉建议要求它这样做。通过用最小权限限制访问，组织确保即使AI系统生成错误指导，它也无法执行其允许范围之外的操作。

投资提示工程培训

AI输出深受输入质量的影响，因此模糊的提示给模型更多用错误假设填充空白的空间，增加了幻觉的风险。组织必须优先培训员工，特别是那些直接与AI系统交互的员工，如何编写能驱动模型产生可验证输出的具体提示。理解AI输出在使用前应始终被验证的员工，不太可能默认将AI系统视为权威。

将身份安全置于AI治理的核心

当AI幻觉导致行动时，它们成为真正的安全风险——这主要不是模型问题，而是访问问题。当AI系统有足够的访问权限来执行错误指导时，或当人类在未经核实的情况下信任输出时，安全事件就会发生。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

安全咨询公司Cobalt发布的年度渗透测试现状报告显示，32%的AI和LLM漏洞被评为高风险，几乎是传统应用的2.5倍（13%）。同时，AI和LLM漏洞的修复率也非常低。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

根据Cobalt在渗透测试中收集的数据，LLM漏洞也是所有应用类型中修复率最低的，仅有38%的高风险问题得到修复。

此外，Cobalt调查的组织中有五分之一报告称在过去一年中经历了LLM安全事件，另有18%表示"不确定"，19%选择不回答。

CSO询问的第三方安全专家表示，Cobalt的发现与他们在现场所见一致。

"AI系统正在快速推广，但往往没有像传统企业软件那样应用成熟的 安全控制、测试规范和治理，"Zero Networks首席执行官兼联合创始人Benny Lakunishok表示。"这自然会增加严重发现的比例。"

渗透测试公司Closed Door Security首席执行官William Wright认为，主要问题来自于氛围编程者编写系统。

"AI在大多数情况下只做它被告知的事情，而部署的系统通常是由没有技术知识的人拼凑而成，"Wright补充道。"同样的人随后又被期望去修复问题，所以这是一个恶性循环。"

Sumo Logic的AI安全研究员David Girvin表示赞同。

"LLM驱动的系统显示出更高比例的高危发现，因为我们本质上将一个概率引擎直接插入业务工作流程，然后指望它表现良好，"他说。"这不是安全策略。"

新兴攻击面，更大的爆炸半径

首要关注点是提示词注入，现已被OWASP列为LLM应用的第一大风险，HackerOne漏洞奖励平台上的报告同比增长超过六倍（540%）。

"虽然头条问题是提示词注入，但更广泛的担忧是攻击者是否能利用模型作为切入点，绕过护栏、泄露数据、操纵决策或在集成工作流中触发意外行为，"HackerOne AI安全项目负责人Taegh Sokhey表示。

专家们表示，AI系统往往会产生更高比例高危漏洞的原因有以下几个：

AI系统引入了许多组织仍在学习防御的新攻击面。这些风险向量包括提示词注入、不安全插件、数据泄露、模型供应链风险、不安全的代理行为、过度权限以及对内部系统的不当信任集成。

当问题出现时，AI系统漏洞的爆炸半径可能更大。许多LLM部署连接到内部知识库、工作流、代码仓库、客户数据或特权工具。这意味着一个弱点可以暴露多个系统。

AI系统漏洞修复责任归属往往分散。"AI计划通常涉及工程、安全、法务、采购和业务团队，"Zero Networks的Lakunishok表示。"这减缓了修复速度，也是解释为什么修复率低于传统应用程序的原因之一。"

Pentest-Tools.com创始人兼首席执行官Adrian Furtuna强调，Cobalt发现的LLM和AI低修复率比高风险率更能说明问题。

"高危LLM发现38%的修复率，按照应用安全的标准也很低，修复历来落后于发现，"Furtuna说。"这个差距反映的是，开发团队还没有像处理SQL注入或XXE（XML外部实体注入）那样建立解决LLM漏洞的既定模式。"

当开发者看到传统系统注入问题时，他们知道修复手册，但对于基于AI的系统，没有确定的程序来解决漏洞。

"当他们看到提示词注入链或不安全的工具调用边界时，他们通常没有（手册），这种不确定性会阻碍行动，即使严重程度评级很明确，"Furtuna指出。

架构和成熟度因素也在AI系统产生更高比例高危漏洞中发挥作用。此外，LLM集成以传统应用组件避免的方式集中信任。因此，攻击面扩大，信任边界往往是隐式的而非明确执行的，放大了任何缺陷的影响，Furtuna表示。

"一个能够访问内部工具、检索管道和外部API的模型，如果其输入处理薄弱，就代表了一个大半径的爆炸区域，"他补充道。"在这种背景下，提示词注入不是个小麻烦——而是数据泄露、权限提升或供应链操纵的路径，取决于模型能触及什么。"

LLM集成的安全开发实践仍在形成中，这种不成熟或知识差距直接体现在渗透测试发现中。

"OWASP LLM Top 10相对较新，"Furtuna解释道。"大多数在基础模型之上构建的开发者是在没有相当于数十年关于输入验证、输出处理和授权边界设计的机构知识的情况下进行的，而这些知识在Web应用程序中存在。"

LLM模糊了信任边界——缺乏传统应用可预测的输入/输出流——这个问题因AI系统通常被授予的广泛权限而加剧。

"大多数组织试图在身份层保护代理和LLM系统，赋予模型角色并希望护栏保持有效，"Sumo Logic的Girvin说。"但如果攻击者能够引导模型——提示词注入、社会工程等——他们就继承其权限。这就是为什么影响会飙升。"

HackerOne的Sokhey补充道："AI应用正在产生不成比例的高危问题，因为它们创造了一个全新的攻击面——一个非确定性的、快速变化的、经常连接到敏感数据、内部系统和自主行为的攻击面。"

对策

专家建议CSO停止在急于实施AI时跳过安全加固，而是将AI系统视为生产系统而非实验。

"这意味着部署前进行威胁建模，在整个生命周期中进行红队和对抗性测试，对模型和代理采用最小权限访问，强身份控制，围绕敏感数据进行分段，持续监控，以及在检测到异常行为时快速遏制机制，"Zero Networks的Lakunishok表示。

Pentest-Tools.com的Furtuna认为，如果从一开始就有意将既定最佳实践设计到系统中而非事后补救，则可以将这些最佳实践应用于LLM的新架构。

"严格的工具调用模式、在下游操作执行前进行明确输出验证、对高后果操作的人工审批门槛，以及模型可访问集成的最小权限，都可以限制成功利用的提示词注入实际能触及的范围，"Furtuna说。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

网络安全巨头 Akamai 宣布以 2.05 亿美元收购以色列浏览器安全初创公司 LayerX，旨在将零信任架构延伸至浏览器层面，解决生成式 AI 普及带来的合规与泄密风险。

点亮上方「★星标 」更多干货内容，不再错过！

近日，Akamai Technologies Inc正式宣布，已达成最终协议，将以约 2.05 亿美元 的价格收购 LayerX。

这是在Palo Alto Networks 6.25 亿美元收购 Talon、Atlassian 6.1 亿美元收购 Arc 浏览器、CrowdStrike 4.2 亿美元收购 Seraphic Security之后的又一次大手笔收购。

数世咨询《企业浏览器能力指南》正式发布

根据披露的信息，这笔交易预计将于 2026 年第三季度 完成。尽管 2.05 亿美元的收购金额在 Akamai 超过 230 亿美元的市值中占比不足 1%，但其战略意义远超财务比例。这不仅是 Akamai 在过去五年内第四次在特拉维夫收购网络安全公司，更标志着其在“边缘安全”领域的深度下沉——从传统的网络边缘转向用户手中的浏览器边缘。

从资本市场反应来看，虽然消息公布后股价出现约 1.2% 的轻微波动，但主流投行对该方向表示乐观。美国银行证券（BofA Securities）甚至将 Akamai 的评级从“中性”上调至“买入”，理由正是其向人工智能基础设施平台的成功转型。

深度透视：LayerX 是谁？

LayerX 是一家总部位于以色列特拉维夫的尖端网络安全公司，由 Or Eshed和 David Vaisbrud共同创立。作为浏览器安全领域的创新者，LayerX 的核心竞争力在于提供基于浏览器的 AI 使用控制和企业浏览器安全解决方案。

LayerX官网：https://layerxsecurity.com/

1. 技术独特性：无缝集成的浏览器原生安全 在当前市场上，许多浏览器安全方案要求企业员工切换到特定的、专有的“企业浏览器”。而 LayerX 的核心优势在于其兼容性：它能直接支持目前市面上所有的主流浏览器（如 Chrome、Edge 等），无需用户迁移，极大地降低了企业部署的阻力。此外，该平台还支持包括Atlas和 Comet在内的新型 AI 导向型“代理”浏览器，显示了其对前沿 AI 工作流的深刻理解。

2. 核心功能：全链路监控与治理 LayerX 的技术旨在为安全团队提供“上帝视角”，使其能够全面监控并控制员工在 Web 应用程序、SaaS 平台及生成式 AI 界面中的活动。这包括：

• 提示词（Prompts）控制：

   监控用户输入到 AI 模型中的对话内容。

• 文件上传管理：

   防止敏感数据通过浏览器接口外泄。

• 实时行为分析：

   深入了解网页内容与 SaaS 应用的交互动态。

3. 财务状况与团队去向 尽管 LayerX 规模相对较小，但其业务增长强劲。据预测，到 2026 年底，该公司的年度经常性收入将达到约 1000 万美元。收购完成后，LayerX 的员工及创始人将整体加入 Akamai 的零信任部门（Zero Trust Organization）。

为何“浏览器安全”成为必争之地？

数世咨询认为 Akamai 此次收购精准切中了当前企业网络安全的痛点。

1. 解决生成式 AI 的“监管盲区”，随着生成式 AI 工具（如 ChatGPT、Claude）和 SaaS AI 应用在办公场景的爆发式应用，员工正以创纪录的速度拥抱这些工具。然而，正如 Akamai 高管 Mani Sundaram 所指出的，现有的安全控制措施在“员工如何与 AI 互动”以及“如何向大模型共享信息”方面存在严重的能见度缺口。传统的基于网络的防火墙（WAF）难以洞察 HTTPS 加密流内部的详细 Prompt 内容，而 LayerX 正是弥补这一“安全黑洞”的关键插件。

2.安全架构的重心下移：从网络到浏览器 传统的安全思路依赖于网络层面的防御（如 VPN、防火墙），但随着远程办公和云原生应用的普及，浏览器已成为企业数据的实际入口和新的“攻击面”。LayerX 提供的“浏览器原生安全”反映了行业趋势：安全控制必须尽可能贴近用户和数据产生的源头。

3. 完善零信任版图 ，Akamai 现有的零信任产品组合已涵盖零信任网络访问（ZTNA）、AI 应用程序运行时保护等。引入 LayerX 后，其产品矩阵将补齐浏览器层面的应用治理能力，形成从网络接入到应用执行，再到浏览器交互的全链路闭环。

给企业的建议

数世咨询对企业安全决策者（CISO）提出以下建议：

1. 重视 AI 治理的紧迫性：

    企业应意识到，禁止员工使用 AI 并非长久之计。应寻求像 LayerX 这样能提供可见性和实时控制的工具，在不牺牲生产力的前提下降低数据流动的风险。

2. 关注“无摩擦”部署：

    优先考虑能支持主流浏览器、不改变用户习惯的安全方案，以减少员工的抵触情绪并加速零信任策略的落地。

3. 整合管理：

    随着 Akamai 等巨头不断整合细分市场的初创公司，企业应考虑将分散的安全工具整合到统一的平台中（如零信任平台），以降低管理复杂性。

Akamai 对 LayerX 的收购并非单纯的业务扩张，而是对未来十年“浏览器即桌面”这一趋势的战略性押注。随着 AI 代理（AI Agents）和生成式工具的渗透，浏览器层的安全屏障将成为企业守护数据资产的最后一道堡垒。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

AI热情与AI准备度之间的差距，是Zoho在报告中重点强调的首要发现。90%的受访者表示AI能够加强网络安全防御，但仅有8%表示他们目前已准备好部署AI驱动的安全工具。

"82个百分点的差距——从'相信AI有用'到'真正准备好部署'——这一定义了 Workforce 安全领域最关键的分水岭时刻，"Zoho在报告中指出。

与此同时，许多企业对核心网络安全实践缺乏掌控。约四分之三的受访者表示，他们对自身身份生态系统缺乏完整的可见性——也就是说，他们不清楚谁拥有哪些系统的访问权限。36%表示部分可见，38%表示有限可见，14%表示完全没有可见性。

"这种'身份可见性差距'不是边缘问题，"Zoho警告称。"它正是使未授权访问、内部威胁和合规失效成为可能的中心漏洞。"

在零信任网络这一关键指标上——即系统设计时就预期可能被入侵并限制其影响——约三分之二的企业表示他们没有实施零信任的策略。这些企业中约有一半表示计划在未来三年内采用策略，Zoho称这为"基于凭证的攻击创造了关键脆弱窗口"。

超过一半的企业表示，零信任网络难以实现，原因是身份生态系统的增长已"无法管理"；另有三分之一的受访者表示他们缺乏正确的流程和工具。

该报告基于对全球九个地区和六个行业3322名网络安全专业人士的调查，还发现三分之一的企业在过去一年中经历过网络攻击，另有7%"不确定是否遭受过攻击"。

在AI安全应用方面，企业最感兴趣的是AI检测异常活动和威胁的能力（68%将此列为理想功能），其次是自动执行策略（61%）和分析员工行为（54%）。但多项因素阻碍了AI的采用，过时的技术、对迁移复杂性的担忧以及预算限制位居榜首。

阅读原文查看报告原文：

https://www.zoho.com/sites/zweb/images/vault/state-of-workforce-password-security-2026.pdf

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

阅读原文

跳转微信打开

跳出传统“唯证书论”或“经验论”的人才评定窠臼，首次提出“人才价值 = 原子化能力×工程素养×职业性格匹配”的三维评价公式。

联合推出

新智识安（北京）科技有限公司

北京数字世界咨询有限公司（简称数世咨询）

全国人工智能+安全（数字安全）产教融合共同体

中关村华安关键信息基础设施安全保护联盟

中关村网络安全与信息化产业联盟

FreeBuf

远江盛邦安全科技集团股份有限公司

北京中宇万通科技股份有限公司

杭州美创科技有限公司

北京摄星科技有限公司

延安大数据运营有限公司

西安胡门网络技术有限公司

三文信息科技（甘肃）有限责任公司

新疆丝路红星科技有限公司

酒泉数字经济投资发展有限公司

成都西电网络安全研究院

酒泉职业技术大学

甘肃工业职业技术大学

兰州信息科技学院

定西中医药科技中等专业学校

本白皮书旨在跳出传统“唯证书论”或“经验论”的人才评定窠臼，首次提出“人才价值 = 原子化能力×工程素养×职业性格匹配”的三维评价公式。构建一套可量化、可落地、可预测的实战型人才培养与评价标准，助力产业界构建“即插即用”的人才供应链。

▍第一章：产业实战视角下的人才供需挑战

当前，我国数字安全产业正面临一场深刻的“结构性用工荒”。这种短缺并非单纯的供给数量不足，而是深层次能力结构与产业高速迭代需求之间的系统性脱节。

1.1 网络安全人才缺口突出：总量与结构的双重挤压

我国网络安全人才供需矛盾呈现典型的“总量不足、结构不优、培养与需求脱节”三大特征。据相关行业数据显示，尽管高校网络安全及相关专业毕业生数量逐年递增，但企业安全运营中心、应急响应团队仍长期处于“等米下锅”的窘境。

总量缺口下的漏斗效应：大量应届毕业生因缺乏攻击视角的实战训练，在简历筛选阶段即被淘汰；另一方面，产业侧急需的威胁狩猎专家、应急溯源专家等高端岗位长期悬空，形成了“人岗”不匹配的停滞性摩擦。

教育滞后性与技术爆发性的时差：高校课程体系更迭周期通常为数年之久，而攻击手段的变种迭代以周甚至天为单位。这种时差导致毕业生掌握的知识与防御体系架构出现断裂，难以转化为防御生产力。

1.2 技能错配：从“认证通胀”到“实战通缩”

在人才选拔过程中，企业普遍面临“证书通胀”的困扰。求职者简历中CISP、CISAW、各类厂商认证琳琅满目，但在面对真实工单时却暴露出严重的“实战通缩”——即无法将知识点落地为操作指令。

典型场景：在面对一起Webshell告警时，持证者能准确背诵OWASP Top 10的分类定义，却无法独立完成从日志分析、进程排查到内存马查杀的闭环处置，更缺乏在业务不中断条件下进行分步隔离“止血”的判断力。

核心症结是因为缺乏原子化的技能拆解训练。传统评价方式只看“学了什么”，未考核“在什么场景下、能完成什么任务”。

1.3 素质盲区：隐性成本的不可见黑洞

企业在用人过程中发现，技术达标并不等同于交付合格。工作习惯与责任心成为巨大的隐性成本黑洞。

缺乏结构化汇报习惯的员工，在处置重大入侵事件时，甚至无法清晰描述“攻击来源IP”、“受影响资产范围”及“当前阻断状态”，导致指挥链决策延误。

故障处置完毕即遗忘，未能沉淀为团队知识资产，同样的问题反复发生、反复排查，造成组织经验的持续流失。

1.4 稳定性风险：个体特质与岗位属性的错配代价

人才流失率高是安全团队建设的痛点。深层原因往往不只是因为薪资待遇，还在于“职业性格与岗位属性的错位”。

如将社交型人才安置于需要极度专注和创造力的安全研究、分析等岗位，或将创新型人才安置于需要大量重复和相对保守的合规审计岗。此类错配导致员工快速产生职业倦怠，中短期内离职率飙升，迫使企业不断重启高成本的招聘、培训与业务交接循环。

1.5 网络安全人才的价值定义公式

基于上述挑战，我们必须变革对人才的量化评价标准。本白皮书认为，网络安全人才的真正价值不是一维的技术分数，而是一组由三维乘积构成的综合变量：

原子化能力用于评价岗位胜任度，工程素养用于评价人员成长性，职业性格匹配用于评价工作稳定性。任一维度的缺乏或缺失，都将导致人才价值的大幅度贬值。

▍第二章：由实战出发的原子化模型，评估岗位胜任力

单纯依赖模糊的经验判断，难以实现技术能力的有效量化。真正所需的是将难以言传的实战能力拆解为清晰、可衡量的能力条目。为此，本章提出 S-TKS 模型（Scenario-Task-Knowledge-Skill，场景-任务-知识-技能），旨在将模糊的经验转化为确定的能力清单。

2.1 S-TKS模型体系

传统学习路径往往遵循“先知识、后技能”的线性叠加模式，知识与技能如同两条平行线，彼此缺乏实质性关联。此种方式下，学习者虽记忆大量知识点，却难以理解其实际应用场景。

S-TKS模型的设计思路：以真实业务场景为起点，由场景驱动具体任务的交付，再围绕任务拆解出达成目标所必需的原子化知识与技能，由此形成一个完整的闭环。

仅有模型框架尚不足以支撑大规模、标准化的人才评价。为使知识与技能能够跨企业、跨岗位流通，需为其赋予统一的、可流通的“通用语言”。为此，引入一套编码体系：BJMS（Base-Junior-Mid-Senior，基础知识-初级技能-中级技能-高级技能），对每条能力条目进行编号与管理。

该编码体系按照能力等级划分为四层：基础知识、初级技能、中级技能、高级技能。通过编码，安全能力不再停留于“熟练掌握Linux”这类模糊表述，而是转化为可精确检索、可自由组合、可量化的原子能力，例如“具备P-LET-01 Linux日志分析能力”。

同时，考虑到人工智能技术的快速普及，补充了面向实战的AI原子能力。如J-AI-01 提示词模板、J-AI-03 代码审计、J-AI-07 告警研判等，使能力模型能够与技术演进保持同步。

后续将根据攻防技术、AI能力、云原生安全等新趋势的变化，持续迭代与扩充，始终与实战需求保持一致。

2.2岗位拆解：从能力轮廓到原子清单

在构建S-TKS模型与BJMS编码体系之后，面临的核心问题是如何将上述理论落地至具体的招聘、培训与评估实践。答案在于对真实岗位的深入分析。

通过对数十家会员单位的走访调研，梳理当前市场上招聘量最大、需求最迫切、技能要求最典型的岗位方向，最终沉淀出十个核心岗位。其中最为关键的工作是对每个岗位进行“原子化拆解”。如同将一台复杂机器分解为若干零件，每个零件均具备编号、规格与用途，从而清晰支撑组装、维修与升级等操作。

以“渗透测试工程师”岗位为例。传统岗位描述通常为“熟悉渗透测试流程”“掌握常见漏洞原理”，此类表述过于模糊。具体的拆解方法如下：

渗透测试岗位拆解示意图

首先，从真实业务场景出发。该工程师日常所面对的场景之一为：“客户授权对某Web系统进行黑盒渗透测试”。场景明确后，任务随之清晰：在规定时间内完成信息收集、漏洞探测、利用尝试，并输出一份包含漏洞证明与修复建议的测试报告。

为交付上述任务，需将过程拆解为最小颗粒度。例如，信息收集阶段的原子技能可表示为“使用OneForAll进行子域名枚举”，对应的知识为“子域名爆破的字典构造原理”。漏洞探测阶段的原子技能可表示为“使用Burp Suite的Intruder模块进行参数模糊测试”，对应的知识为“SQL注入中报错注入和时间盲注的相关返回信息”。

每个原子能力均通过BJMS编码体系赋予唯一编号，如“J-PT-01 信息收集”对应初级技能，“M-PT-02 绕过WAF”对应中级技能。由此，原本模糊的岗位描述转化为一张清晰的原子能力清单。在招聘环节，可精准提出“需具备M-PT-02能力”的要求；在培训环节，可据此设计针对性课程；在评估环节，可逐项进行量化打分。

上述拆解方式并非勾勒岗位轮廓，而是输出一张可供直接使用的零件表。后续我们将陆续发布十个核心岗位的原子化拆解清单，敬请关注。

2.3 确定性交付：从模糊评价到可量化说明

原子化模型的核心产出是一份《技术能力确定性说明书》。

评价方式不再依赖面试官的“感觉好”或“聊得来”，而是企业可直观看到候选人在“应急响应”领域覆盖了87%的J级原子条目，45%的M级原子条目。

企业可根据当前工单的紧急程度和原子映射关系，快速锁定具备特定原子技能清单的外包专家或全职员工，实现“按需取用、即插即用”。

▍第三章：通用工程素养评价模型：评估人员成长性

在人才价值公式中，工程素养是决定技术能力能否转化为确定交付成果的乘数因子。它包含两个递进层面：一是决定人才成长上限的“工作能力”，即如何思考与学习；二是决定交付底线的“职业态度”，即如何协作与闭环。

3.1工作能力维度：决定“能走多远”

本维度评估人才在面对复杂、模糊、未知的安全问题时，如何拆解、思考、沉淀与进化。在剥离技术外壳，评估人才底层的学习能力和解决问题的能力，解决“后期乏力”的隐忧。

3.1.1 任务拆解能力

安全攻防天然是非结构化问题。面对复杂、模糊的安全事件，如某挖矿病毒排查。高水平工程师展现出的首要素养不是查日志，而是任务拆解，将其逻辑化、步骤化，制定清晰的执行计划，而非盲目尝试。

将模糊现象描述转化为逻辑树：“延迟是网络层抖动引起？还是应用层卡顿？或是磁盘I/O阻塞？”

制定验证路径：Step 1. 排除网络重传；Step 2. 锁定JVM线程状态（jstack分析BLOCKED线程）；Step 3. ...

3.1.2 双向思辨能力

具备“攻击者视角”与“防御者视角”的动态切换能力。不仅能发现漏洞，更能预判攻击路径，从架构层面提出建设性意见。

防御者视角：关注可用性、完整性与合规基线的达标。

攻击者视角：时刻追问“如果我是入侵者，我会如何绕过这条策略？”、“这个日志记录的边缘缺失是否恰好是盲区？”。

3.1.3 问题复盘与归档能力

对失败经验的提取效率，决定了企业的“进化速度”。能否在事故后迅速复盘，形成案例库，避免团队重复踩坑。

后者可直接交给大模型，自动生成修复报告。

3.1.4 结构化沉淀能力

将碎片化的实战动作转化为标准化的知识库、文档资产。高水平工程师不仅是问题的解决者，更是企业知识资产的贡献者。

不仅自己会排查Redis未授权访问，更能写出一份包含排查步骤、修复指令、加固验证、基线复查的标准化手册，供一线监控团队直接执行。

具备此素养的人才，能显著降低团队的单点故障依赖，提升整个安全团队的抗脆弱性。

3.2 职业素养维度：决定“交付是否靠谱”

职业素养是解决“交付质量”的底线逻辑。技术再强，若职业素养维度归零，团队协作的产出效率依旧极低。本维度重点关注责任心与闭环意识。

3.2.1 信息具象化：拒绝模糊

安全工程师不仅是技术人员，更是风险的翻译官。

3.2.2 信息同步：拉通与协同的双重修炼

安全团队是跨部门协作的枢纽。信息的非对称流动和协作的杂乱无章，是导致安全事件处置失败的常见根源。信息同步工作至关重要，可拆解为拉通与协同两个递进维度。

拉通能力：消除信息孤岛，构建全局共情。

拉通不仅仅是信息的单向传递，而是将安全发现、处置约束以及业务侧的压力，翻译为各方都能理解的语言。其核心目标是让研发、运维与业务部门不仅清楚“自己要做什么”，更能理解“别人正在承受什么”以及“整体目标是什么”，在共同的全貌视角下达成相互谅解。

协同能力：统一行动节奏，驱动问题闭环。

协同是在拉通共识的基础上，将跨部门资源组织起来形成合力的能力。它要求安全人员拿出清晰的“作战方案”，明确各部门在不同阶段的职责、交付物与时间窗口，并通过持续的进度展示与风险预警，像指挥家一样确保多方行动同频共振，最终将安全事件或项目正式闭环。

▍第四章：职业性格匹配：评估人员稳定性

企业的重置成本通常远高于招聘成本。本章旨在从人格底层出发，引入霍兰德职业兴趣模型，对安全岗位进行科学的心理基因匹配，解决“招得对却留不住”的管理痛点。

我们将传统单一的内向、外向维度，升级为霍兰德RIASEC六边形模型。在数字安全领域，不同岗位对应着不同的职业兴趣倾向。正确的匹配能让员工进入心流状态，而错配将导致持续的认知摩擦与职业倦怠。

R型 - 实际型 (Realistic)

·核心特质：动手操作、偏爱工具、注重实效、脚踏实地。

·适配岗位：安全测试与审计工程师、安全运维工程师等。他们享受亲手调试设备、部署传感器、搭建实验环境的踏实感，在机房里如鱼得水。

·错配预警：若强行将其推向需要高度抽象与理论推演的纯架构设计岗，会产生“落不了地”的焦虑感。

I型 - 研究型 (Investigative)

·核心特质：观察分析、逻辑推理、刨根问底、追求真理。

·适配岗位：漏洞分析与评估工程师、攻击取证与溯源分析工程师等。他们痴迷于逆向工程、样本分析，享受独立钻研、推导出攻击全链条的智力快感。

·错配预警：若让其从事重复性的合规填表或高强度的对外宣讲，其内在驱动力会迅速耗竭。

A型 - 艺术型 (Artistic)

·核心特质：想象创造、直觉敏锐、厌恶约束、追求独特。

·适配岗位：渗透测试与漏洞运营工程师等。他们不满足于标准化的渗透套路，热衷于发明创造性的攻击路径或绕过手法，把攻防视为一门对抗艺术。

·错配预警：若置于流程僵化、SOP一丝不变的运营监控岗，极易因感受到“灵魂被束缚”而快速离职。

S型 - 社会型 (Social)

·核心特质：助人协作、善于沟通、教育培训、服务意识。

·适配岗位：安全合规评估工程师、高级安全咨询师、项目经理等。他们的能量来源于与人互动，善于理解客户痛点，乐于帮助团队解决认知盲区。

·错配预警：强行按在终日面对屏幕、极少人际交流的纯二进制分析岗，会产生强烈的社交隔离感。

E型 - 企业型 (Enterprising)

·核心特质：影响领导、资源掌控、自信决断、追求成就。

·适配岗位：安全产品售前工程师、高级安全咨询师等。他们享受着在技术博弈中赢取客户订单，或在组织内部争取预算、推动战略落地的权力感与成就感。

·错配预警：若给予极小的决策空间和纯机械的执行指令，会令其感到才华无处施展，果断跳槽另觅舞台。

C型 - 传统型 (Conventional)

·核心特质：条理规范、谨慎细致、遵从流程、注重数据精确。

·适配岗位：安全合规评估工程师、安全运营分析师、安全测试与审计工程师等。他们对制度的条文如数家珍，能从海量日志中严谨地挑出合规偏差，是团队中“不出错”的定海神针。

·错配预警：若将其扔进鼓励打破规则、挑战底线的渗透测试红队，会产生严重的心理不适与职业价值感危机。

霍兰德模型不是给人才贴标签，而是帮助企业为特定岗位找到最舒适的土壤。通过降低个体与岗位之间的摩擦系数，释放人才长期潜能，从而实现企业稳定性与个人职业满意度的共生共赢。

▍第五章：产业协同展望：构建“即插即用”的人才供应链

破解数字安全人才困境，单一主体的努力收效甚微。必须构建连接高校、社区、产业三者协同的新型人才生态系统。

5.1 建立产业侧与求职侧的“通用语言”

我们致力于减少模糊的、仅依赖工作年限和证书数量的“黑箱招聘”。

推广原子化能力标签：将第二章的BJMS原子编码作为人才简历的核心字段。求职者不再写“精通应急响应”，而是写“具备B-FSAD-07网络攻击路径、J-WET-01windows日志分析和J-SAAT-05  网络设备应急处置原子能力”。

推广全维度画像：企业发布的JD应明确本岗位所需的工程素养权重，如要求90分位的信息具象化能力和人格匹配权重。

5.2 订单式培养与人才库建设

数字安全人才社区是弥合产教鸿沟的关键中间件。

作为翻译器：社区将产业侧模糊的“需要能打硬仗的人”的需求，翻译成具体、可训练、可评价的《原子化实战靶场清单》，反向输入高校实训课程或社会培训。

订单式输出：社区建立动态人才评价池。基于本白皮书的三维模型，对注册成员进行持续的能力追踪与行为画像。当企业发出“急需一位擅长Kubernetes安全、具备高协同素养的系统连接型专家”的需求时，社区系统能够在24小时内从池中匹配出“高适配、高质量”的精准推荐。

数字安全的本质是人与人的高强度对抗，而非设备与设备的堆砌。产业的未来不取决于买到了多先进的防火墙，而取决于拥有多少具备确定性交付能力、值得信赖且能长期扎根的专业人才。

未来的网络安全人才培养，必须走出“纸上谈兵”的误区。通过原子化技术夯实基础，工程素养拓展上限，职业态度守住底线，心理匹配保障稳定。

唯有从源头重构人才培养与评价的坐标系，我们才能构筑起数字时代真正坚韧的、以人为本的安全防线。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

许多开发者并不信任AI输出，但仍在大量使用。安全问题在"信归信，用归用"的矛盾中悄然积累。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

AI编程工具已从实验阶段进入日常开发辅助角色，帮助软件团队起草功能、解释陌生代码、生成测试用例，并以更快的速度完成重复性改动。对于安全团队而言，更棘手的问题是：究竟有多少AI塑形的代码在通过任何安全验证之前就进入了Pull Request？

Stack Overflow近期一项调查显示，46%的开发者不信任AI工具输出的准确性，而33%选择信任。这种不信任在常规安全审查中表现得尤为明显：例如，一个生成的API处理器可能编译通过并通过单元测试，却遗漏了对象级授权检查；与此同时，一个被推荐的依赖包看起来可能很正规，实际上却已被废弃、存在漏洞，或命名可疑。

OWASP大语言模型应用Top 10将供应链暴露列为LLM系统的主要风险之一，涵盖提示注入、不安全输出处理、敏感信息泄露、过度代理和供应链漏洞。如今，这些风险正越来越多地渗透到开发环境、代码助手、流水线自动化和AI应用中。

AI辅助开发给传统的AppSec流程——代码审查、扫描、创建工单、修复——带来了压力。团队在更短时间内产出更多代码，而如果持续复用同一个生成的示例，不安全的模式也会被复制到多个服务中。

这凸显了应用程序安全平台需要将发现结果与开发工作流串联起来，而非将扫描视为一个孤立的检查点。AI辅助的小改动可能影响多个层面：新包、API路由、配置文件、容器镜像或基础设施脚本都可能在下游产生连锁影响。

只有当发现结果与可达性、数据暴露、权限级别和受影响服务关联起来时，才真正有价值。公开API中触及客户数据的漏洞，与同一漏洞出现在不可达的测试代码中，需要完全不同的处理方式。

最有价值的反馈应出现在开发者做决策的地方，尤其是Pull Request、IDE和CI/CD检查环节。审查者可能需要审视发生了什么变化，以及生成代码带入了哪些假设。

AI生成的代码可以看起来比实际更接近生产级别。它可能使用熟悉的命名、常见的框架模式和完整结构。这种"精致感"可能掩盖脆弱的授权、不安全的默认设置，或审查者在忙碌的冲刺阶段可能遗漏的依赖选择。

问题通常藏在细节里。生成的代码可能过度信任客户端输入，跳过服务端授权，暴露详细错误日志，过度记录敏感数据，使用过时的加密示例，或推荐一个从未检查维护历史的包。

这些都是常见的AppSec失败，但AI工具可以快速大量生产它们，并以看似可投入生产的形式呈现。

AI生成的修复同样需要与AI生成的功能一样严格的审查。开发者可能让助手修复一个注入风险，却得到一个修复了参数A而暴露了参数B的补丁。在身份验证、支付、管理和客户数据工作流中，生成的修复需要与生成的功能一样经过审查。

治理应优先。企业应明确界定哪些AI编程工具获得批准、哪些数据可以与它们共享、哪些仓库/文件/密钥禁止共享。开发者应对他们提交的代码负责，即便有助手协助生产。

审查也需要风险过滤器。低风险的辅助函数不需要与触及身份、支付、客户记录或管理权限的代码走相同的审查路径。Pull Request模板可以询问：是否有AI协助生产本次更改、是否引入了新依赖、是否修改了安全敏感逻辑。

威胁建模应考虑生成代码从何处进入工作流、它做出了哪些假设、以及当这些假设失效时攻击者能做什么。安全软件开发实践应集成到SDLC中，而非作为最终发布前的检查项。

依赖检查需要在AI推荐的包进入项目之前捕获它们。开发者不应未经检查就安装AI推荐的包，应审查来源、命名、维护状态、许可证和已知漏洞。 typosquatting和包混淆在快速编码流程中更容易被忽视。

密钥检测应在代码到达主分支之前运行。生成的示例可能包含占位符密钥、弱令牌、暴露的凭证或不安全的配置模式。在提交或Pull Request阶段阻止私钥、API令牌、云凭证和数据库密钥，可以减少可避免的暴露。

授权测试应证明错误用户无法访问、更改或删除另一个用户的数据。公开API和管理功能应包含水平和垂直权限检查。

输入输出验证应在具体上下文中审查。生成的代码应检查注入风险、不安全反序列化、不安全文件处理、不当编码和弱内容类型控制。对于AI应用，模型输出在到达浏览器、数据库、shell命令、插件或第三方服务之前应被视为不可信数据。

如果同一个AI辅助模式持续产生缺失授权检查、不安全验证或弱依赖选择的问题，修复措施应迁移到安全模板、编码标准和更具体的开发指南中。

运行源代码安全检查时，AI辅助开发可能增加发现结果的数量。将每个告警都以相同紧急程度处理会拖慢团队速度，并削弱对安全工具的信任。分类应从实际暴露情况开始。

公开API中处理客户数据的中等严重性漏洞，可能比不可达测试代码中的严重漏洞需要更快的行动。支付服务中的易受攻击包与内部原型中的同一包紧迫性不同。一个有效的分类模型应考虑：易受攻击的路径是否可达、是否面向互联网、是否与特权操作关联、是否连接敏感数据。

开发者还需要能解释受影响路径和最安全修复方案的结果。在发布压力下，通用警告容易被忽略。当发现结果指向受影响路径、在具体上下文中解释风险、并建议适合所用框架的修复方案时，才更容易被采取行动。

AI编程工具已是日常开发的一部分，安全项目需要考虑它们如何改变代码数量、审查速度和来源追踪。生成代码仍需要所有权归属、测试和问责。适应最好的团队将是那些将安全检查移近到创建点、在采用前验证依赖、优先处理最可能进入生产环境的风险的团队。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

美国教育科技公司Instructure，以“对数据可能公开的担忧”为由，与勒索者达成协议并支付了赎金。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

这家总部位于犹他州的公司在周一发布的最新消息中表示，该公司“已与参与此事件的未经授权的行为者达成协议”，理由是“担心数据可能被泄露”。

该公司在做出支付赎金以避免数据泄露这一备受争议的决定时表示，该协议涵盖所有受影响的客户，被盗数据已归还，并附有数据销毁的电子确认函。该公司还表示，已获悉不会有任何客户因此次黑客攻击而受到单独勒索。

Instructure表示： “虽然在与网络犯罪分子打交道时永远无法做到完全确定，但我们认为，尽我们所能采取一切可控措施，让客户更加安心，是非常重要的。”

该公司还表示，正在与专业供应商合作，以支持其取证分析，提高其网络安全态势，并对相关数据进行全面审查。

就在ShinyHunters勒索团伙上月底对流行的在线学习管理系统Canvas发动网络攻击，导致3.65TB数据被盗之际，这一消息被披露。此次事件影响了近9000家机构。

尽管最初认为此次泄露事件已被控制，但在 2026 年 5 月 7 日，检测到了与同一事件相关的第二波未经授权的活动，该活动在大约 330 个机构的 Canvas 登录门户网站上添加了勒索信息，并给 Instructure 设定了 2026 年 5 月 12 日的最后期限，要求其协商赎金，否则将面临数据泄露的风险。

据称，攻击者利用其“教师免费版”环境中“与支持工单相关”的一个未指明的漏洞，获取了初始访问权限，并窃取了约2.75亿条记录，其中包括用户名、电子邮件地址、课程名称、注册信息和消息。Instructure强调，课程内容、提交内容和凭证均未泄露。

此次安全漏洞事件发生后，Instructure 已暂时关闭了面向教师的免费账户。该公司并未透露漏洞的具体性质，但表示已撤销受影响系统的特权凭证和访问牌，轮换了内部密钥，限制了令牌创建途径，并部署了额外的安全控制措施。

“泄露的数据为威胁行为者提供了足够的个人背景信息，可以针对教职员工、学生和家长开展有针对性的网络钓鱼活动，”Halcyon 说。

“泄露的记录可能被用于冒充学校管理人员、IT支持人员或助学金办公室人员进行后续攻击。受影响机构的学生、家长和教职员工都应受到关注，各机构应立即发布反钓鱼警告并进行直接沟通。”

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

智能体安全市场开闸：这块蛋糕该怎么切？

智能体定义是具备自主感知、记忆、决策、交互与执行能力的智能系统，是人工智能产品及服务的重要形态。随着大模型等新一代人工智能技术迅猛发展，智能体正加速与网络空间、物理世界深度融合，深刻改变人类生产生活方式和社会治理模式。为落实国务院《关于深入实施“人工智能+”行动的意见》，促进智能体规范应用与创新发展，制定本实施意见。

一、基本原则

以推动科技创新、提升治理能力、构建产业生态、增进民生福祉为导向，

坚持安全可控，将智能体安全、可靠、可信作为发展的底线要求，贯穿智能体技术研发、应用部署与推广的全过程，切实防范系统性风险。

坚持规范有序，适应智能体技术演进规律，构建与现有政策法规衔接顺畅、行业自律自治、底线红线清晰的治理体系，有序推进智能体落地应用。

坚持创新驱动，加强理论创新、技术创新、工程创新联动，体系化突破智能体关键技术，完善政产学研用协同机制，构建开放共享的智能体生态，提升产业创新活力。

坚持应用牵引，重点围绕科学研究、产业发展、提振消费、民生福祉、社会治理等实际需求，发挥典型应用场景示范效应，先易后难、循序渐进，促进智能体技术验证、产品迭代、应用落地。

二、夯实发展基础

夯实技术底座，健全标准体系，降低智能体研发、适配、应用门槛，为丰富智能体产品及服务奠定基础。

（一）完善技术底座

1.强化基础技术研发。持续提升通用基础模型性能，支持行业发展细分领域专用模型，形成适应不同场景和设备的模型产品矩阵。面向智能体训练与运行，提升高质量数据集供给能力。加强智能体任务理解、任务规划、工具使用、长期记忆、互认互通、群体协同等技术攻关，提升智能体泛化能力。

2.完善智能体工具链。开展智能体底层框架研究，加快研发感知、记忆、决策、交互、执行等关键组件，完善智能体研发、测试、部署、运维等工具链。发展对抗样本检测、行为异常检测等安全与治理工具，提升对智能体非合规行为的发现、干预、阻断、恢复能力。

（二）构建标准协议

3.建立智能体标准体系。制定智能体标准化工作指导文件，形成智能体标准框架，系统布局关键技术、重要产品、数据交换、应用场景、质量评测、安全保障、可信认证等标准体系，加快制定智能体与软件工具、应用服务、硬件外设接口等基础标准。加强智能体互联协议（AIP）等智能体互联关键国家标准、行业标准的推广应用。支持医疗、交通、媒体、公共安全等领域制定强制性标准。鼓励企业按照相关标准研发产品服务，提升智能体规范性。积极参与国际标准制定。

4.布局发展智能互联网。研究建立智能互联网体系架构，探索建立智能体注册平台，提供智能体数字身份管理、检索发现、能力声明等服务，支持开发者、部署方式、接口协议、合规认证等信息查询和管理。提升多智能体协同能力，研究智能体身份标识、可信互联、合规支付、安全防护、冲突解决等基础技术。发挥互联网协议第六版（IPv6）技术优势，提升智能体端到端通信能力。探索建立智能互联网监测指标体系。

三、守牢安全底线

坚持以人为本、智能向善、多元共治、安全稳妥，营造规范发展、鼓励创新的制度环境，促进智能体健康有序发展。

（一）明确产品准则

5.完善政策法规和伦理规范。加快研究智能体相关政策法规及伦理规范，发挥专业机构内容资源和审核把关优势，确保智能体行为符合法律法规及主流价值观。防止智能体利用数据优势、人格化技术实施传播不良价值观、算法压榨等行为，防范未成年人、老年人沉迷成瘾、情感依赖等风险。做好与人工智能伦理审查等制度衔接。

6.明确决策权限。在遵守法律法规、尊重社会公德和伦理规范前提下，厘清仅限用户本人决策、需由用户授权决策和智能体自主决策等各种决策方式的合理边界及所需权限。确保用户对智能体自主决策享有知情权和最终决策权，智能体执行操作不得超出用户授权范围。

7.加强行为管控。发展规则内嵌、行为围栏等技术，确保智能体在公共场所、隐私场所、专门场所等的行为合法合规。探索利用区块链等技术，建立重要应用场景智能体行为可验证、可追溯机制，防范智能体不当行为引发重大风险。

（二）防范安全风险

8.提升内生安全能力。研究智能体数据安全、个人信息保护、密码防护、攻击检测、权限管理、行为控制等安全技术，提升智能体系统安全保障能力，防范数据投毒、隐私泄露、算法篡改、系统漏洞、运行失控等安全风险。研究智能体安全检测技术，探索建立智能体安全评估体系。

9.加强供应链安全。制定智能体开发、部署、应用、维护等全周期安全规范，加强模型接入、应用程序接口调用、扩展工具使用等环节安全管理。探索建立智能体供应链安全信息共享和预警机制，及时发布风险提示，提升安全保障能力。

10.化解应用衍生风险。完善智能体常态化风险识别、预警及干预机制，强化人机协同审核、拦截阻断等风险处置能力，防范系统性安全风险。强化智能体应用安全管理，避免智能体被用于自动化攻击、隐私侵犯、虚假信息生成传播、网络诈骗等违法犯罪行为。

（三）完善治理体系

11.构建分类分级治理框架。根据应用场景和潜在影响，审慎稳妥开展智能体分级治理。对于敏感领域及重点行业，由网信部门联合行业主管部门确定开放场景，根据相关法律法规、监管要求和安全防护标准，实行备案、检测、问题产品召回等管理措施。对于部分生活娱乐、日常办公等低风险领域，完善智能体评估测试工具，通过合规自测、信息报告、分发平台管理、行业自律等实现高效治理。

12.健全合规服务体系。强化智能体风险监测预警、检测评估、咨询、认证等专业服务供给，引导行业积极研发智能体监测工具。开展智能体功能、性能、质量、合规等第三方评测服务，推动认证与检测结果互通互认，为用户选择智能体提供参考。编制并发布智能体技术及应用成熟度报告，为产业研发应用提供参考。

（四）强化行业自律

13.引导行业加强自律。鼓励行业组织、主要企业联合制定行业自律规则，明确智能体功能合规、算法治理、知识产权保护、公平竞争等规范细则。指导智能体开发平台、分发平台、服务提供者建立公平合理的平台规则、用户服务协议及隐私政策，明确供需双方权责，保障产业健康发展。加强智能体应用风险宣传教育，提升用户安全意识。

14.探索信用评价机制。指导行业组织建立智能体市场主体自愿参与的信用评价机制，对于技术滥用、诱导消费、虚假宣传、隐瞒缺陷信息等行为进行信用评价，依法依规开展失信惩戒。引导智能体开发者、开发平台、分发平台、服务提供者等参与信用评价，共同营造良好发展环境。

四、强化应用牵引

积极稳妥推动智能体典型场景应用，牵引技术产品优化提升，探索形成可复制、可推广的智能体落地应用模式。

（一）科学研究

15.科研探索。研发理论推演、模拟仿真等智能体，挖掘潜在技术路径。强化智能体信息关联整合、知识体系构建等能力，提升自然科学、哲学社会科学研究发现能力。促进智能体与科学仪器、实验平台融合，实现方案设计、实验操作、数据处理、结果分析等全流程智能化。

16.研发辅助。发展软件开发智能体，提升需求分析、架构设计、代码生成与测试等全流程开发能力。促进智能体与计算机辅助设计（CAD）、计算机辅助工程（CAE）等软件结合，提供设计方案生成、仿真验证、参数调优等功能。

（二）产业发展

17.智能制造。研发生产管理智能体，动态优化生产排程、资源分配和工序衔接，推动智能体在工业互联网领域应用，提升企业精细化管理水平。提升智能体工艺参数优化、加工精度检测、产品缺陷识别等能力，促进智能体与数控机床、工业机器人、自动化产线等融合，促进提质增效降本。

18.能源资源。研发大气、水体、土壤、噪声等环境要素感知智能体，提升自然灾害、环境污染等风险预警能力。依托智能体强化对国土空间资源全周期管理能力。依托智能体实现能源、金属等矿产资源高效勘探。发展电力调度、用电监测、电网维护等智能体，提升电力资源使用效率。

19.交通运输。研发交通安全监管、应急指挥调度等智能体，提升违章违规行为识别、交通基础设施风险预警、重点车辆（船舶）监管、事故快速响应等能力。优化交通监测调度智能体性能，发展交通载运工具管控智能体，提升路网、水网、空域的通行效率。

20.农业生产。研发农业服务智能体，开展农技指导、病虫害诊断与防治等服务。推动智能体在种植养殖、高效育种等环节应用，推进农业智能化转型。推动智能体与智能农机具、智慧大棚、农业服务平台融合，提升农业生产效率。

21.金融服务。研发金融风控智能体，提升信贷审批、交易监控、账户安全等环节风险识别能力。完善智能体异常检测、合规审计功能，提升信贷违约预测、信用卡盗刷拦截、反洗钱监测等能力。

（三）提振消费

22.终端应用。推动智能体赋能互联网应用及服务，优化在线购物、出行导航、生活缴费、日常办公等服务体验。推动智能体与手机、电脑、汽车、家居、可穿戴、消费级机器人等终端设备协同发展，提升跨应用、跨设备任务完成能力。

23.文化旅游。研发文学、音乐、绘画、视听、演艺等内容创作智能体，促进优秀文化传播推广。发展智能导览、多语种翻译、适老适残等旅游服务智能体，提升旅游服务水平。

24.商业服务。提升智能体客服能力，提供7×24小时咨询、预约、售后等服务。发展导引、清洁、仓储、配售等具身智能体，提升餐饮、零售、住宿、物流等商业场所的运营效率。探索通过具身智能体提供低成本家政、养老、托育、助残等服务。

（四）民生福祉

25.教育教学。探索课件生成、作业批改、学情分析等智能体，提高教师工作效率。依托智能体开展个性化学习方案制定，完善智能导学、答疑辅导、虚拟助教等功能。支持在线教育平台研发智能体，提供终身学习服务。

26.医疗健康。提升医学影像分析、疾病诊断推理、定制化诊疗方案生成等医疗辅助智能体性能，探索药品管理、手术排程、病历管理等智能体，提升医疗服务效率。稳步发展预问诊、报告解析等智能体，提升患者体验。

27.人力资源。探索智能体在就业促进、技术技能人才培养评价、劳动关系公共服务等领域应用，提升就业服务能力。发展社会保险、劳动争议仲裁、欠薪治理等智能体，保障劳动者合法权益。

28.信息服务。探索智能体在网络内容建设管理中的应用，鼓励信息发布部门和内容传播平台研发用户分析、选题策划、采编加工、分发推荐、智能审核、舆论引导、情绪疏导、实时翻译等智能体，实现多模态信息、跨领域信息的高效整合。

（五）社会治理

29.政务服务。探索事项辅助审批智能体，推动政务审批流程智能化。发展政策咨询智能体，提供全天在线的政务咨询、流程指引等服务。探索主动推送适配政策、服务提醒及办理指南，加快从“人找服务”向“服务找人”转型。

30.司法服务。探索全流程办案辅助智能体，提升案件材料梳理、案件信息录入、证据审查、辅助法律文书生成等能力。发展法律宣传、法律咨询、法律监督等智能体，为群众提供高效便捷的在线司法服务。

31.公共安全。探索监测预警、应急处置、救援调度、协同治理等智能体，提升安全生产监管和防灾减灾救灾等能力。提升智能体异常行为识别、潜在威胁预警、动态防控处理能力，维护公共安全。推动具身智能体在灾害救援、安防巡检、危险品处置等领域落地应用。

32.城市治理。探索智能体在城市规划、建设与治理环节应用，支撑智能建造、房屋管理、城市基础设施安全运行等工作，提升城市治理专业化水平，提升城市人居环境质量。

33.招标投标。探索招标投标智能体，实现招标投标活动全链路智慧管理，保障全过程规范高效。提升招标投标交易、服务和监管的智慧化水平，实现招标科学合理、评标公平公正和监管穿透高效。

五、建设创新生态

畅通供需渠道，促进研发侧、需求侧高水平互动，形成市场牵引、内驱发展的智能体产业生态。

（一）促进产业合作

34.培育开源创新力量。引导国内人工智能开源社区加强智能体布局，开展智能体与开源芯片、开源操作系统、开源大模型兼容适配。引导企业、高校、科研机构积极参与智能体框架、交互接口、工具链等开源项目，推动技术体系融通发展，加快提升国际影响力。

35.搭建产业协作平台。发挥智能体相关生态联盟、技术验证实验室等产业协作平台的作用，协同产业链上下游开展智能体共性技术研发、标准制定、评估认证等工作，开展智能体技术与产业应用复合人才培养。引导互联网应用、智能终端等领域企业共建生态，探索建立互利共赢的合作模式。

（二）强化应用推广

36.构建应用推广渠道。推动建立智能体软件商店、行业供需信息发布平台，引导智能体企业积极发布产品，形成集聚效应。开展智能体应用供需对接活动，采取公开招标、揭榜挂帅等方式吸引智能体企业定制化开发相应产品。引导整机、软件等企业基于智能体研发产品和服务，培育用户市场。

37.推进重点场景开放。推动重点领域开放智能体应用场景，在产业集聚区、重点行业、重点领域开展智能体应用试点，打造一批具有引领作用的示范项目。发展市场化、专业化的智能体技术转化服务机构，探索智能体应用场景，提升技术成果转化效率。促进行业数据共享开放，支撑重点场景智能体训练部署。

38.积极培育全球生态。依托世界人工智能大会、世界互联网大会等国际平台，交流展示智能体技术创新成果。推动终端设备、软件企业适配智能体，引导相关企业做好海外合规建设，推动智能体适应当地法律法规和文化习俗。

六、保障措施

国家网信办、国家发展改革委、工业和信息化部会同有关方面加强统筹谋划，强化资源整合和力量协同，完善配套政策，形成工作合力，推动重点任务落实落地。建立并完善智能体发展评价指标体系，加强智能体规范应用与创新发展的监测评估、滚动实施和动态调整。

转载请注明来源：“网信中国”微信公众号

跳转微信打开

对每一个正在部署 AI Agent 的企业安全团队都值得关注。AI Agent 的安全边界到底在哪里？它今天解决了哪些问题？

点亮上方「★星标 」更多干货内容，不再错过！

不到半年，143 次更新，最后长出了一套企业级安全体系。

这个故事的真正有趣之处，不在于它有多少安全功能，而在于这些安全能力是怎么"长出来"的。不是蓝图，不是设计文档，是一次又一次被真实威胁逼到墙角后的工程选择。

不到半年的项目，143 个版本。这个频率本身就说明了很多。

一、OpenClaw 的安全起点：功能优先，信任链式扩展

要理解 OpenClaw 今天的安全体系，先要理解它的安全起点。

OpenClaw 最早期的设计哲学，是典型的"功能优先"思维。一个能在 20 个消息渠道上跑 AI Agent 的网关工具，最初吸引用户的是什么？多渠道覆盖、API 灵活接入、记忆和会话管理。这些能力是真实的，也是 OpenClaw 早期增长的核心驱动力。

但"功能优先"的另一面，是安全模型建立在隐式信任的基础上——而且，这个"早期"距离今天只有不到半年。

第一层信任：用户信任自己安装的 Skill。 Skill 是 OpenClaw 的扩展机制，每一个 Skill 都是一个带有执行权限的代码包。早期版本中，Skill 的权限边界是宽松的——安装在本地目录后，就可以访问 Gateway 进程范围内的几乎所有资源。一旦用户安装了一个来源可信度不高的 Skill，攻击者就拥有了和 Gateway 同等的操作权限。

第二层信任：Gateway 信任所有连接的消息渠道。 OpenClaw 作为消息网关，需要处理来自 Telegram、Slack、Discord、飞书等不同渠道的消息。早期版本中，渠道接入的认证模型相对简单，部分渠道的 allowFrom 规则依赖配置而非强制执行。

第三层信任：workspace 信任所有环境变量。 OpenClaw 的 workspace 目录可以存放 .env 文件。早期版本中，workspace 下的 .env 文件可以注入带有 OPENCLAW_* 前缀的运行时控制键。

这套信任模型，在个人使用场景下不是问题。但当 OpenClaw 的部署量快速增长、企业用户开始评估它的生产可用性时，这套模型的脆弱性开始暴露。

关键在于，从第一个版本到第一个重大安全响应，之间只隔了不到半年。这个时间窗口比大多数安全团队的预期短得多。

二、真实威胁如何驱动安全体系"长出来"

OpenClaw 安全能力的演化，不是遵循一份预定的安全路线图，而是被一系列真实发生的安全事件推动的。

第一个转折点：ClawHub 恶意 Skill 事件

2026 年初，安全研究人员发现了 ClawHub（OpenClaw 官方 Skill 市场）上的多个恶意 Skill。这些 Skill 使用了有诱惑力的名称和描述，诱导用户安装，执行时却在后台运行恶意代码。攻击者利用了 OpenClaw 对 Skill 执行权限的宽松配置，获得了和 Gateway 进程同等的操作权限。

这个事件暴露了一个根本性矛盾：Skill 的扩展性是 OpenClaw 最重要的能力之一，但这个扩展性建立在对 Skill 来源和行为的信任之上。一旦这个信任被打破，攻击者就可以利用 Skill 的高权限属性，将 OpenClaw 实例变成攻击跳板。

事件之后，OpenClaw 在近期版本中引入了 skills.install.allowUploadedArchives opt-in 门控：用户必须显式允许，才能上传和安装 zip 格式的 Skill 归档文件。这是一个关键的安全范式转变——从"信任扩展"到"最小权限扩展"。配置默认关闭，而不是默认开放。

第二个转折点：容器逃逸链的公开

2026 年第一季度，多个安全社区和研究人员公开了 OpenClaw Docker 部署环境下的容器逃逸攻击路径（最早被分配编号 CNVD-2026-13380）。攻击者通过已知公开技术细节，可以在 5 个步骤内从 Docker 容器逃逸到宿主机，获取系统敏感文件并植入持久后门。整个攻击链不需要零日漏洞，是工程配置问题而非代码漏洞——这暴露出早期部署文档在生产环境安全配置指引（Hardening Guide）上的缺失。

OpenClaw 官方在近期版本中强化了 Docker 安全相关的文档和默认配置，特别是 DOCKER-USER iptables 链的配置要求。这是一个典型的"被问题逼出来的安全加固"——在事件公开之前，这个配置缺陷没有在官方文档中得到明确说明。

第三个转折点：三大厂商的同期安全公告

2026 年 3 月，CrowdStrike、Cisco 和 Microsoft 在不到 30 天内，各自发布了针对 OpenClaw 部署的安全公告。安全行业极为罕见的同期独立公告模式——不是各自发现了不同漏洞，而是各自面对同一个体系性风险。

三份公告的核心信息相同：OpenClaw 实例被攻破后，攻击者获得的不是一个小工具，而是一套覆盖整个业务运营的"管理平面"。OpenClaw 作为消息网关，通常持有多个渠道的访问权限、API 密钥以及对内部系统的调用能力。这个管理平面一旦被攻破，攻击者可以用它来横向移动、数据窃取和持久化驻留。

这三份公告推动 OpenClaw 社区对安全架构的全面重新评估。从那时起，安全更新不再只是修复具体技术漏洞，而是开始收紧默认安全边界，重新设计关键操作的权限模型。

跑马圈地：中国OpenClaw安全防护产品盘点

三、四层防护体系的生长逻辑

从真实威胁的反馈中，OpenClaw 的安全架构逐渐形成了一个四层防护体系。每一层都对应着一个具体的安全问题和对应的工程响应。

第一层：身份层——从"配置可选"到"强制执行"

核心问题是：谁有权限访问 OpenClaw 实例，以及他们可以执行什么操作。

近期版本中，OpenClaw 在身份层做了大量收紧工作。channels.{platform}.allowFrom 规则的强制执行，不再只是建议配置；dmPolicy 和 allowFrom 配置别名统一化，让跨渠道访问控制策略保持一致；配对设备的可见性收紧，移动节点和桌面客户端的配对信息不再默认对所有会话可见，需要显式授权。

这些变化的共同特征是：把原来"推荐的最佳实践"变成了"不可绕过的默认"。不是安全功能的增加，而是安全默认值的迁移。

第二层：执行层——从"开放扩展"到"最小权限"

核心问题是：Skill 和插件可以在 OpenClaw 环境中执行什么操作，它们如何获得执行权限。

before-tool-call 授权钩子的引入是这个层面的关键变化。在执行任何 Skill 或插件工具之前，OpenClaw 现在会先检查一个授权层——允许管理员定义细粒度操作策略，例如禁止某个 Skill 访问文件系统、禁止执行特定的系统命令、或者要求对高风险操作进行人工确认。

inline skill dispatch 的权限收紧同样是重要变化。在此之前，Skill 的工具分发没有显式授权检查——现在，这个过程必须经过 before-tool 授权钩子，任何没有明确授权的 Skill 操作都会被拒绝或要求确认。

第三层：数据层——从"默认明文"到"默认保护"

核心问题是：OpenClaw 运行过程中产生的数据——日志、会话历史、API 密钥缓存——如何得到保护。

近期版本中，日志 redact 机制得到了显著强化。所有日志中的 auth、cookie 相关头部信息，现在都会被自动检测和脱敏处理。这意味着即使用户在调试时导出了 OpenClaw 日志，也不会意外泄露敏感的认证凭据。

敏感 payload 的持久化检测同样在加强。OpenClaw 明确增加了对"secret-shaped payload"的检测和 redact 规则——任何看起来像 API 密钥、Token、密码的字符串，都会在写入磁盘之前被标记和脱敏。这个能力对企业在合规审计场景下尤其重要——日志中不能出现的敏感信息，不应该依赖人工处理，而应该在系统层面被默认过滤。

第四层：可观测层——从"黑盒运行"到"透明可见"

核心问题是：当 OpenClaw 出现异常行为时，运维人员能否快速看清状态、定位问题、追踪影响。

cron list --json 和 cron show --json 的机器可读输出是这个层面的典型代表。在此之前，cron 任务的状态信息主要是给人阅读的格式，在需要自动化监控或系统集成时会遇到困难。现在，关键运营数据的输出格式正在向"机器可读"方向迁移，使得企业级监控和告警体系可以更好地与 OpenClaw 对接。

deliverySucceeded=false 的显式错误报告同样是重要变化。早期版本中，当消息发送操作失败时，系统有时会返回一个模糊的成功状态——操作"完成"了，但实际的投递结果并不明确。现在，失败状态会显式报告，运维人员可以更快地发现和响应问题。

session 历史血缘追踪和 model failover 诊断 OTLP 事件的导出，是在更深层次解决"黑盒运行"的问题。当 OpenClaw 长时间运行后出现异常，运维人员需要能够追溯：这个问题是什么时候开始的、是什么操作触发的、影响范围有多大。这些可观测性能力，解决的是企业级运营中真实存在的痛点——而不是纸面上设计出来的需求。

四、为什么说它是"长出来"而不是"建出来的"

观察 OpenClaw 的安全演进，一个核心区别是：它的安全能力是应对真实威胁后的工程收敛，而不是从一开始就规划好的设计蓝图。

这个区别很重要。

如果安全是"建出来的"，我们可以期待它有一份完整的架构图、一份详细的设计文档、一条清晰的从 A 点到 B 点的演进路径。但 OpenClaw 的安全演进没有这条路径。它的每一个重要安全更新，都对应着一个真实发生的事件：ClawHub 事件触发了 Skill 权限的门控收紧；容器逃逸公开触发了 Docker 安全配置的强化；三大厂商的公告触发了整个供应链信任模型的重新评估。

这不是设计，是被迫的工程选择。

但这恰恰是 OpenClaw 安全体系最有价值的地方。一个从真实事件中被迫收敛的安全体系，比一个设计良好的安全体系更值得信任——因为前者经历了真实威胁的验证，而后者可能还停留在纸面上。

更关键的是，这种"被迫收敛"的演进模式，在最近几个版本中正在转化为更主动的安全设计。OpenClaw 开始引入一些不再是单纯响应事件的安全更新：skills.install.allowUploadedArchives 的 opt-in 设计、before-tool-call 钩子的细粒度授权模型、workspace 环境的更强隔离。这些更新不再是"这个问题不能再拖了"，而是开始有了前瞻性的安全边界设计。

这意味着 OpenClaw 的安全体系正在从"被动响应"向"主动防御"过渡。但这个过渡还没有完成——它目前处于"有能力响应"和"尚未形成预防体系"之间的状态。这不是批评，而是企业用户在评估时需要知道的真实状态。

回到本文开头的问题：OpenClaw 的企业级安全体系是怎么"长出来"的？

答案是：它不是规划出来的，不是设计出来的，是被真实威胁一次又一次逼到墙角后，一次又一次选择"这个问题不能再拖了"之后，工程选择逐渐收敛的结果。

143 个版本背后（根据公开 release 记录统计），不是 143 次功能增加，而是 143 次功能与安全完善的跃迁，OpenClaw 至今仍处于极高速的迭代更新中。

这个逻辑，对每一个正在部署 AI Agent 的企业安全团队都值得关注。AI Agent 的安全边界到底在哪里？它今天解决了哪些问题？它还有哪些没有被发现的盲点？这些问题没有简单的答案，但它们值得每一个决策者认真对待。

OpenClaw 用 143 次版本更新证明了一件事：一个工具可以在被问题追着跑的同时，一步步建立起真正的安全体系。但这个证明的代价，是每一次"不能再拖"的选择背后的真实风险。理解这个逻辑，比记住它有多少安全功能重要得多。

本文基于截至 2026 年 5 月的第 143 个版本（根据公开 release 记录统计）分析，具体配置项请参考最新版官方文档。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

以下文章来源于：亿格云科技

打造AI时代企业安全治理基础设施，引领“人+AI”统一安全治理 云枢企业统一治理平台 AI治理 | 零信任 | 数据安全 | 终端安全

当AI Agent进入企业，安全治理对象从“人类员工”延伸到“人类员工+AI员工”

阅读原文

跳转微信打开

以下文章来源于：思而听网络科技有限公司

思而听，知而行

关于我们思而听（山东）网络科技有限公司是一家专注于网络安全教育培训、安全运营与应急响应的国家高新技术企业。团队最早可追溯...

关于我们

思而听（山东）网络科技有限公司是一家专注于网络安全教育培训、安全运营与应急响应的国家高新技术企业。团队最早可追溯至2015年，由国内首个高中生网络安全社团“十三年社团”孵化而来；2018年，在新疆克拉玛依正式成立克拉玛依市思而听网络科技有限公司；2022年，获得山东省国资委下属上市公司正中信息的百万级战略投资，并在山东设立分公司，开启从西部走向全国、由国内迈向海外的发展进程。

自2022年以来，公司持续推进国际化布局，业务已覆盖中东、欧洲、南美、东南亚、北非等地区。其中，在中东地区服务于某国家第二大油田安全运营项目，在欧洲地区服务于国内某金融单位海外区域业务，并持续为南美地区中资制造业及金融企业提供安全服务支撑，同时在印尼设有团队，形成面向海外重点行业客户的长期服务能力。

经过多年发展，公司已实现从新疆起步、深耕国内、逐步走向全球的战略转型，围绕教育培训、安全运营、应急响应等方向持续沉淀平台化能力与工程化交付体系，服务能源、金融、制造、政府等多个重点行业客户。

招聘岗位

网安项目经理或安服驻场实施人员

岗位人数

4-6名 左右。

任职要求

1、英文沟通能力优秀。

2、技能达到HW中高级。

出差地：西亚、南美洲、印尼。

上岗时间：2026年内。

简历投递

应聘者将个人简历与资格证书、学历学位证书等材料扫描件一并发送至邮箱 zxm@sierting.com ,邮件主题请标注"应聘岗位-姓名"。

①报名时间：2026年内。

②联系人及联系方式：赵老师15153164311

福利保障

薪资待遇：丰厚，可面谈。根据专业能力、项目经验与岗位匹配度，提供具有竞争力的薪酬待遇。

1.团队氛围好：扁平化管理，无PUA，沟通高效，90/00后为主，年轻有活力。

2.技术实力强：核心技术团队实战经验丰富，注重知识分享和专业成长，为员工提供持续学习与发展空间。

3.福利齐全：每年两次团建，生日福利、节日福利等。

4.拒绝无效加班：鼓励高效工作、准点下班，倡导员工工作与生活平衡。

5.布局全球化：公司正加速推进中资企业海外网络安全服务，欢迎具备海外学习或工作背景的你加入！

加入我们,一起探索更广阔的安全世界!

思而听

陪伴每一程，守护每一刻——您的可信赖网络安全伙伴！

联系我们

官方热线 | 400-613-6816

官网地址 | https://www.sierting.com

地址（山东）| 山东省济南市高新区新泺大街 1666 号齐盛广场 1 号楼 8 层 806室

地址（新疆）| 新疆克拉玛依市克拉玛依区云计算产业园区(吉云路197号G座孵化器区域2-08号)

了解更多，关注我们~

跳转微信打开

新兴的模式是分析师管理一套由智能体组成的系统，人类的角色从操作者转变为协调者。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

我在与SOC团队的对话中听到过这种担忧，在评估时看到过这种犹豫，也越来越强烈地感受到它作为一种抵触情绪的源头——而这种抵触恰恰来自AI本应帮助的那些人。

但现实恰恰相反。

AI并没有消灭一级分析师这个岗位，而是在提升它——从一份以重复性任务定义的工作，变成一份以判断力、监督和决策定义的工作。简而言之，AI让他们变得更强大，成为了SOC指挥官。

工作本身从来都不是重点

要理解正在发生的变化，我们需要对一级分析师的历史角色有一个清醒的认识。

在一个典型的SOC中，一级分析师可能需要花20到30分钟来调查一条钓鱼警报——跨越邮件日志、端点数据和威胁情报工具进行 pivot，验证信号并记录发现。这是一项必要的工作，但也是高度重复和耗时的。

现代安全运营产生的数据量超出了人类合理处理的能力。调查一条警报通常需要跨越身份系统、端点遥测、云日志和威胁情报源进行 pivot。将这个过程乘以每天数百或数千条警报，你就得到了一种与人类能力根本不相符的工作负载。

更重要的是，SOC分析师的才能被浪费在这种不适合人类的工作上了。多年来，我们一直将其视为做生意的必要成本。AI改变了这个等式。

从自己做工作到指挥工作

智能体AI引入SOC的核心能力是：委托。

分析师不再需要人工收集证据、拼接上下文，AI智能体现在可以自主执行调查步骤：实时查询系统、关联信号并构建证据链。这并没有把人类从流程中移除，而是提升了人类在流程中的位置。

新兴的模式是：分析师管理一套智能体系统——每个智能体负责调查的一个环节——而不是自己执行每个步骤。人类的角色从操作者转变为协调者。

我从安全负责人那里反复听到的并非"我需要我的分析师更快地行动"，而是"我需要我的分析师停止收集数据，开始基于数据做决策"。这是两个根本不同的问题。而它们之间的差距，正是AI创造最大价值的空间。

"智能体管理者"的崛起

这就是一级岗位的进化方向——不是消失。

在这个新模式中，初级分析师实际上是在管理一群AI智能体。他们负责审查调查结果、验证结论，并确保行动与业务上下文和风险承受能力保持一致。

他们不再是每个步骤都"在循环中"（in the loop），而是"在循环上"（on the loop）——监督结果，而不是执行任务。

当分析师被迫停留在每个步骤的循环中——检查每一次富化、每一次查询、每一个中间结果——他们就成了瓶颈。当他们转到循环上时，他们可以规模化运作，以适当的监督级别审查数十或数百个调查。

这就是建立对AI信任的方式：不是让人类验证一切，而是让他们能够验证任何东西。

透明度成为控制平面。分析师可以精确地看到AI做了什么、如何得出结论、以及不确定性在哪里。随着时间推移，当准确性得到验证，他们自然会增加信任程度——就像欢迎新同事加入团队一样。

为什么网络安全有所不同

对工作被取代的恐惧是可以理解的。在许多行业，AI正在减少对入门级岗位的需求。网络安全是AI不会减少工作量的少数领域之一。它将暴露我们一直无法完成的工作量有多大。

威胁的数量和复杂性正以超出团队扩展的速度增长。攻击者已经在使用AI来自动化侦察、生成代码和加速利用。防御者没有选择躺平。

威胁狩猎、检测工程和控制优化长期以来都处于资源不足的状态，因为团队被警报分类工作占用了。当AI移除这个负担后，就为分析师做他们受训要做的事创造了急需的空间。工作不会减少，真正的工作终于可以完成了。

入门级人才的新基准

这种转变也改变了我们对一级分析师的期望。

从历史上看，一级岗位的设计初衷是让分析师通过做重复性任务来学习。当这些任务可以自动化时，这种模式就不再有意义了。

基准正在向理解AI系统如何运作的方向移动：解释它们的输出、质疑它们的推理、引导它们的行为。以人为本的技能变得更加重要，而不是更不重要。好奇心、批判性思维，以及将分散的信号连接成连贯叙事的能力——这些才是AI驱动的SOC中的差异化因素。

我们已经看到组织重新思考如何为这些岗位招聘人才。对证书的重视程度降低，更注重一个人的思维方式和解题能力。当AI处理机械性工作时，判断力才是工作本身。

建立经得起考验的信任

如果未来如此清晰，为什么还有抵触？在大多数情况下，这归结为信任——而信任必须赢得，而不是假设。

我见过的失败部署有一个共同模式：组织将AI视为从无自动化到完全自主的二极切换。这不是安全团队的工作方式，也不应该被要求以这种方式工作。

有效的是循序渐进。从有限的、高置信度的用例开始。对系统如何得出结论提供完全透明的信息。让分析师在扩大范围之前验证结果。关键的是，让从业者参与进来。不是实施顾问或项目经理，而是那些曾经轮班运营SOC、分类过数千条警报、并以hard way赢得信誉的人。

这就是为什么我们在部署时，会带前SOC负责人、威胁猎人和检测工程师与分析师团队直接合作。他们不是来配置软件的。他们来是为了建立对系统的信任——因为他们已经从使用它的人那里赢得了信任。当分析师看到帮助他们部署这项技术的人曾经历过同样的艰辛，对话就会改变。它不再是"这会取代我吗"，而是"我如何用好它"。

这种方向的转变——从威胁到工具——正是区分成功部署与停滞部署的关键。

信任差距不是技术问题。是人的问题。而它关闭的方式与其他所有信任关闭的方式相同：通过证明的能力、共享的上下文和时间。

未来的SOC以人为领导

最终状态不是一个没有人类参与的全自主SOC。它是一个以人为领导的、由AI驱动的SOC。

AI智能体处理安全运营中劳动密集型的证据收集环节。人类提供方向、监督和问责。两者共同实现了一种单靠任何一方都无法达到的速度和规模。这不是理论——这是今天在生产环境中正在发生的事情。

提升，而不是淘汰

AI将淘汰一级分析师的说法没有抓住要点。这个岗位不会消失。它正在被重新定义。

在这个新环境中成功的分析师，将是那些能够管理智能系统、解释复杂输出并在不确定情况下做出高质量决策的人。

他们不会被取代。他们会被晋升。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

全球顶级人力资源公司瀚纳仕发布的新数据显示，网络安全专业人员是2025年IT行业中加薪时最被忽视的群体。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

这一趋势在英国尤为明显，77%的安全员工没有看到任何薪资增长；不过这种现象在全球范围内也存在，71%的信息安全人员遭遇了工资停滞。

AI会让任何人成为10倍效率的程序员，但同时也带来10倍的清理工作

作为背景参考，在53个受调查国家中，45%的科技从业者获得了加薪；即便是薪酬最丰厚的DevOps领域也仅达到56%。超过一半的相邻领域从业者——包括基础设施、AI/ML和产品管理——都获得了加薪。

薪酬紧缩正在造成损害：安全专业人员目前的整体职场满意度排名倒数前三，与质量测试人员和基础设施人员并列——尽管网络安全是科技行业最抢手的三大职位之一。

瀚纳仕首席信息官Ankur Anand告诉The Register，安全薪资停滞的原因在于成功的团队在董事会层面滋生了自满情绪。

"网络安全已经成为自身有效性的受害者，"他说。"当团队工作出色时， absence of incidents 会导致高层产生自满情绪。与此同时，AI正在扩大攻击面，并增加安全团队必须应对的数量、速度和复杂性。当你把这些压力叠加到持续的压力、遗留技术和高度分布式的工作模式上，结果就是一支承担巨大责任却获得有限认可的员工队伍。这种组合是职业倦怠和人员流失的强大驱动力。"

这种董事会层面的自满与安全部门的警告形成了尴尬的反差。英国国家网络安全中心不到一年前报告了最严重攻击类别增加了50%，而来自Check Point、Fortinet的数据以及世界经济论坛1月份的报告都指向同一方向：威胁正在增加。

薪酬数据也正值网络安全就业市场动荡时期。由于全球经济和AI等技术创新的影响，全职工作机会开始急剧下降，入门级职位首当其冲。

网络安全与其他许多行业一样，目前正处于一个由雇主控制的就业市场——与近年来对技能缺口的恐慌相去甚远。

这种情绪在人们选择留在当前岗位的原因中可见一斑：56%的人是出于真正的工作满意度，但24%的人承认他们只是不确定现在能找到更好的工作。

Anand总结道："这些数据应该是一记警钟。我们要求网络安全团队站在业务风险的前线，但却往往没有提供与这种责任相匹配的薪酬、晋升通道和运营环境，以保持人们留在这个行业。当薪酬落后于市场，工作量不断增加，且这个角色被视为阻碍而非赋能时，人员流失成为阻力最小的路径也就不足为奇了。如果组织想要减少暴露，并在事件发生时更快地做出反应，就需要将网络人才视为战略能力：受到重视、被看见、并得到领导层的支持。做到这一点的组织不仅能留住最优秀的人才——还能与客户、监管机构和自己的董事会建立信任。"

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

Hacktron的首席技术官使用Opus 4.6完成了针对Chrome浏览器V8 JS引擎的漏洞利用。

点亮上方「★星标 」更多干货内容，不再错过！

▍以下正文内容基于英文原文编译，可能存在语义偏差，请以原文为准。

但该公司的Opus 4.6模型（已在周四被 Opus 4.7 发布所超越）已经能够开发出可用的漏洞利用代码。

周三，Hacktron首席技术官Mohan Pedhapati（s1r1us）在一篇博客文章中描述了他如何使用 Opus 4.6 创建了一条针对Chrome 138中V8 JavaScript引擎的完整漏洞利用链——Chrome 138正是当前版本Discord所绑定的。

"我们使用的V8越界错误来自Chrome 146，与Anthropic自家Claude Desktop运行的版本相同，"他写道。"来回折腾了一周，23亿代币，2283美元的API费用，还有大约20小时是我把它从死胡同里拽出来的时间。终于，弹出了calc。"

"弹calc"是打开计算器应用的俚语——这是概念验证漏洞利用代码中的常用表达，用来表明确认攻击已成功入侵目标系统。

Pedhapati说，虽然2283美元对个人来说是一笔不小的数目，但如果考虑一个人独立开发类似漏洞利用所需的时间，这个成本就微乎其微了。即使再加上Pedhapati调教模型所耗费时间的几千美元，仍然远远低于谷歌和Discord漏洞奖励计划可能给出的理论奖金（约15,000美元）。而这还只是合法市场——谁知道犯罪分子愿意为某个热门的零日漏洞付出多少？

根据Opus 4.7系统卡片，"Opus 4.7在网络能力上与Opus 4.6大致相当。"但明显弱于Mythos Preview，且配有"自动检测并阻止表明禁止或高风险网络安全用途请求的安全防护"。

但对Pedhapati来说，具体用哪个模型并不是问题所在。真正的问题是代码生成能力持续进步，这要求安全姿态和流程必须改变。

"无论Mythos是否被过度炒作都无关紧要，"Pedhapati说。"曲线没有变平。如果不是Mythos，那就是下一个版本，或者再下一个版本。最终，任何有耐心和API密钥的脚本小子都能在未打补丁的软件上弹出shell。这是时间问题，而不是是否问题。"

对于基于Chrome的Electron框架的应用（如Slack、Discord等），真正的问题是：他们何时会将代码库更新到最新版本——而这个版本仍然落后于最新的Google Chrome发布。

Electron 41.2.1（4月15日发布）捆绑了Chrome 146.0.7680.188，仅比当天发布的桌面版Google Chrome（147.0.7727.101/102）落后一个版本。但Electron应用的开发者并不一定会立即更新依赖项并发布新版本，用户也不一定能立即获得这些更新。

Pedhapati说他选择Discord为目标是因为"它运行的是Chrome 138，落后当前版本九个主要版本。"

Pedhapati认为，随着AI模型在漏洞利用开发方面越来越有能力，补丁窗口正在缩小。

"每个补丁本质上都是一个漏洞利用提示，"他争辩道，并补充说，这对开源项目来说尤其困难，因为修复往往在修订版本发布之前就已在代码中公开可见。

他给开发者的建议是：在代码推送之前更多关注安全性，并更密切关注依赖项，以便能够快速做出更改。他还认为安全补丁应该自动执行，这样人们不会因为忘记接受更新而处于漏洞风险中。他还说，像V8这样的开源项目在公开漏洞细节的时机上应该更加谨慎。

"每个公开提交都是对任何拥有API密钥和能够将漏洞武器化的高水平团队成员的发令枪。"他说。

🎉 大家期盼很久的#数字安全交流群来了！快来加入我们的粉丝群吧！

🎁多种报告，产业趋势、技术趋势

这里汇聚了行业内的精英，共同探讨最新产业趋势、技术趋势等热门话题。我们还有准备了专属福利，只为回馈最忠实的您！

👉 扫码立即加入，精彩不容错过！

😄嘻嘻，我们群里见！

跳转微信打开

AI虽然能显著提升安全运营中心（SOC）的效率，但不能弥补其根本性缺陷，更不能替代人类分析师的专业判断。

点亮上方「★星标 」更多干货内容，不再错过！