AI Skill 实战：如何实现授权范围内的自动化安全巡检

做渗透测试的人最先被消耗掉的往往不是精力而是耐心。一次授权范围内的渗透任务前期信息收集可能要花掉两三个小时跑子域名、扫端口、识别指纹、核对版本号接着再去漏洞库一条条比对。等到真正需要经验去判断漏洞的时候脑子已经被各种输出刷屏刷到麻木了。所以当“AI Skill”这个概念出现在网安圈时很多人都在问同一个问题能不能让 AI 帮我干这些重复活我专心做漏洞研判这篇文章就从这个需求出发讲清楚 AI Skill 到底能不能用来自动化挖漏洞它的边界在哪里以及如何从零写出一个合规、可落地、真正能减少重复劳动的安全巡检 Skill。先给一个明确判断AI Skill 能解决的不是“AI 自己发现 0day 并完成利用”而是把渗透测试中大量流程化、格式化的环节自动化比如资产枚举、结果整理、版本比对、报告生成。它更像一个“会按流程办事的安全实习生”而不是一个替你躺赢的漏洞之王。读完这篇文章你会理解 AI Skill 的核心原理、适用的安全场景并能照着完整示例跑通一个授权范围内的自动化安全巡检助手。1. 这篇文章真正要解决的问题先说一个很多渗透测试工程师都经历过的场景你拿到一个企业授权范围目标是一个主域名想要做一轮常规巡检。第一件事是信息收集用 subfinder 跑一遍子域名得到几十条记录然后过滤存活、解析 IP、扫端口再用 httpx 识别 web 服务、标题、指纹、状态码。这些命令本身不复杂复杂的是数据整理。等你把这些数据从各种输出里抠出来填进表格时间已经过去了一个小时。接下来还要把每个服务的版本号拿去和 CVE 库比对手工判断哪些命中哪些存在潜在风险。最后写报告的时候还要把这些片段重新组织成结构化的 Markdown 文档。真正考验安全能力的“漏洞研判”环节反而被压缩到了很短的篇幅里。这就是 AI 和网安结合最值得做的切入点信息收集和结果整理是高重复度工作但它们的流程非常固定完全可以标准化模型负责理解任务和产出结论工具负责执行命令两者的组合就是 AI Skill 的雏形。从技术趋势看AI Agent 已经能调用搜索引擎、代码解释器、浏览器等工具但通用 Agent 并不了解渗透测试的流程和禁忌。Skill 相当于给 Agent 安装了一个“网安技能包”让它在特定任务里具备专业流程、工具调用方式和安全约束。对个人来说这能把很多琐碎活交给自动化对团队来说可以统一资产巡检的标准流程减少因为人工疏漏导致的误报漏报。这篇文章适合以下读者在做合法授权渗透的 SRC 白帽子或安全工程师想了解 AI Agent 如何跟真实工具链结合的安全新人以及已经接触过 ChatGPT、Claude但希望把自己的经验沉淀成可复用技能包的开发者。2. 什么是 AI Skill先理解“给 AI 装技能包”这件事要理解 AI Skill可以先从 AI Agent 说起。2.1 AI Agent 和普通聊天的区别普通聊天是“你问我答”你问一个问题模型根据训练知识给出答案。但一旦涉及真实工作比如扫描一个域名、读取一个文件、执行一段命令模型就不能光靠“张嘴”来完成了它需要工具。AI Agent 在这里的定位是一个“调度大脑”。它会接收一个目标把目标拆解成若干步骤然后逐步调用工具完成任务根据工具返回的结果判断下一步动作。整个链路可以概括为理解目标 - 拆解任务 - 调用工具 - 读取结果 - 继续决策 - 输出结论。举个例子你让普通聊天模型“收集 example.com 的子域名”它只能回答你“你应该用 subfinder”。但你让一个具备工具的 Agent 去做这件事它会自己去执行 subfinder 命令拿到真实结果再清洗数据、格式化输出。2.2 Skill 到底是一个什么东西Skill 可以理解为 Agent 的“岗位技能包”。它的核心是一个描述文件比如 SKILL.md里面写清楚这个技能是做什么的、在什么场景下启用、使用步骤是什么、有哪些硬性约束。技能包还可以附带脚本、模板、数据文件等资源。可以这样类比一个刚入职的安全实习生你直接丢给他一台 Kali他可能不知道从哪开始。但你递给他一份 SOP上面写着“第一步做什么、第二步做什么、遇到什么情况要停下来”再给他配好工具和脚本他就能按部就班完成一部分任务。这份 SOP 加工具集就是 Skill。从工程结构上看一个 Skill 通常是这样组织的skills/ └── authorized-scanner/ ├── SKILL.md # 技能说明和指令 ├── scripts/ # 辅助脚本 │ └── security_toolkit.py ├── data/ │ └── local_vuln_db.json # 本地漏洞库样例 └── assets/ # 模板、报告等静态资源SKILL.md 是核心它告诉 AI 模型在什么条件下使用这个技能、分几步执行、有哪些边界。scripts 是具体干活的部分模型通过调用脚本来完成自己无法直接完成的命令操作。2.3 Skill 和 Prompt 的差异很多读者会问这不就是一段更长、更详细的 Prompt 吗其实不完全一样。两者对比一下会清楚很多对比维度普通 PromptAI Skill内容重点语义描述、角色设定流程定义、工具调用、约束条件是否包含代码通常不包含通常包含可执行脚本可复用性单次会话复用有限按目录结构组织可跨项目复用能力边界靠模型自己发挥有明确工具集和终止条件适合场景闲聊、单轮问答多步任务、需要外部工具执行的流程简单说Prompt 是“告诉 AI 怎么答”Skill 是“给 AI 一套能跑起来的流程”。在网安场景里你要的不是 AI 给你背一遍渗透测试流程而是它能把扫描结果拿到、清洗、汇总再给出专业判断这必须依赖 Skill。2.4 一个 Skill 的标准目录结构以当前社区中常见的 Skill 组织方式为例SKILL.md元数据和指令文件相当于这个技能包的说明书和流程图。scripts/存放可执行脚本。Agent 在执行任务时会调用这些脚本完成工具扫描、数据解析、结果格式化。assets/报告模板、静态字典、指纹库等资源。data/任务运行时产生的临时数据或本地知识库例如漏洞版本对照表。这种目录结构的好处有两个一是每个技能包可以独立分发团队成员可以复用二是它能强制把指令固定下来任何模型加载这个 Skill 时都按照里面定义的流程走而不是自由发挥。3. AI 网安自动化边界与安全前提在动手写代码之前必须先想清楚一个问题AI 在安全自动化里到底能做哪些事不能做哪些事。如果盲目相信“AI 自动化挖漏洞”很容易把方向跑偏既不安全也不合规。3.1 适合自动化的环节根据目前的安全工具链现状下面几类工作非常适合通过 AI Skill 来增强环节典型任务自动化程度AI 的价值信息收集子域名枚举、IP 解析、C 段资产发现高统一调度多个工具清洗重复数据端口服务识别端口开放、服务版本、banner 抓取高将扫描输出转为结构化 JSON 和表格Web 指纹识别应用类型、框架、中间件、标题高自动合并指纹与历史结果去重漏洞匹配服务版本与 CVE 库比对中过滤命中项、按风险等级排序、解释影响面报告生成汇总漏洞、输出处置建议高按模板生成初稿节省大量排版时间在这些环节里AI 的角色更像“工头”调度工具、收集产物、做初步判断、生成报告。它不需要完全理解漏洞原理只要能把数据流转起来就已经能节省大量时间。3.2 不适合自动化的环节要特别清醒地认识到AI 并不能包办一切。以下场景目前仍然依赖经验丰富的安全人员0day 挖掘未知漏洞的发现需要抽象思维和大量领域知识目前 AI 只能做辅助分析不能替代专业研究人员。复杂业务逻辑漏洞例如越权、支付逻辑、验证码绕过这类漏洞往往藏在业务流程里没有现成指纹和模板AI 很难自动识别。漏洞利用链组合把多个中低危漏洞组合成一条高危利用链需要极强的上下文理解和实时研判能力自动化工具目前还非常脆弱。社工与钓鱼涉及人的因素不确定性极大不应该通过自动化方式实施也需要特别谨慎对待。所以更稳妥的做法是把 AI Skill 定位成“安全巡检助理”而不是“自动攻击机器人”。它的产出是结构化数据和报告最终的漏洞确认与处理必须由安全人员完成。3.3 必须遵守的安全前提在网安领域聊自动化最重要的不是效率而是合规。无论是渗透测试、红队演练还是漏洞挖掘都必须满足以下前提授权先行只允许在用户明确提供、且有书面授权或合同约定的范围内执行扫描和验证。范围最小化严格限定目标列表、端口范围和时间窗口禁止横向扩大的操作。禁止破坏性操作不执行清库、删表、格式化、拒绝服务等可能影响业务的动作。日志留存所有命令执行、结果输出都要留痕便于事后审计。数据脱敏不把扫描过程中取得的敏感数据直接回传第三方模型服务优先使用本地化模型或做好脱敏处理。这也是下面示例中反复强调“授权”和“约束”的原因。脱离授权的自动化扫描不是挖洞而是违规行为必须坚决避免。4. 环境准备与项目规划本文的示例采用“本地工具 本地模型接口”的组合方式尽量降低对外部服务的依赖。实际落地时你可以根据团队情况替换模型后端。4.1 技术栈选择操作系统Linux 或 macOS因为 nmap、httpx、subfinder 等安全工具在这些环境里支持最好。Python3.10 及以上版本。版本请以实际项目为准本文重点演示通用思路在任意主流 Python 3 版本上均可运行。安全工具nmap端口服务识别、subfinder子域名枚举、httpxWeb 服务探测与指纹识别。如果你只需要演示某一部分至少保证 nmap 和 Python 环境可用。模型服务任意兼容 OpenAI Chat Completions 格式的本地或云端模型都可以。示例中使用http://127.0.0.1:8000/v1作为 base_url这是为了强调数据不出内网的安全考虑。Python 依赖requests、pyyaml。工具安装部分以 Debian/Ubuntu 类系统为例示例命令如下# 更新软件源并安装网络工具 sudo apt update sudo apt install -y nmap python3 python3-pip # 安装 Python 依赖 pip install requests pyyaml # subfinder 可以通过官方 release 或 go install 安装 # httpx 推荐使用 ProjectDiscovery 官方发行版如果你的环境里没有 subfinder 或 httpx也不用担心工具脚本会做一个“探测”动作命令存在就调用命令不存在就跳过并以提示信息代替结果以保证示例能跑通。4.2 目录规划建议按下面的结构创建项目ai-sec-skill/ ├── skills/ │ └── authorized-scanner/ │ ├── SKILL.md │ └── scripts/ │ └── security_toolkit.py ├── data/ │ └── local_vuln_db.json ├── config.yaml ├── agent_runner.py ├── requirements.txt └── logs/这样的目录结构把技能包、配置、代码、日志分开方便后续维护。如果以后想添加第二个 Skill比如“报告生成助手”只需要在skills/下新增目录就可以。5. 完整示例从零实现一个“授权安全巡检”Skill下面进入实操部分。我会分三步写一个最小可用的 Skill先写 SKILL.md 定义技能流程和边界再写 Python 工具脚本security_toolkit.py负责调用系统安全工具并格式化结果最后写一个调度入口agent_runner.py它负责组织整个任务流程并调用模型生成报告。5.1 编写 SKILL.md文件路径skills/authorized-scanner/SKILL.mdname: authorized-scanner description: 在授权范围内对目标资产进行子域名枚举、端口服务识别、Web指纹探测和本地漏洞库版本比对并生成结构化巡检报告。 version: 0.1.0 allowed-tools: - nmap - subfinder - httpx - python3 instructions: | 你是安全巡检助手只接受授权范围内的目标。执行任何任务前必须确认目标来自用户显式输入且授权信息有效。 任务流程 1. 资产枚举阶段 - 调用 subfinder 收集目标主域名的子域名 - 去重并输出存活子域名列表。 2. 端口与服务识别阶段 - 调用 nmap 对存活主机或目标 IP 进行端口扫描和服务版本识别 - 将结果整理为 JSON 格式。 3. Web 指纹识别阶段 - 调用 httpx 对 Web 服务进行探测提取状态码、标题、技术栈和响应头指纹。 4. 漏洞匹配阶段 - 使用 security_toolkit.py 中的 match-cve 子命令把识别到的软件版本与本地漏洞库比对 - 只输出匹配到的 CVE 编号、风险等级和影响面描述不生成任何攻击载荷。 5. 报告生成阶段 - 汇总以上结果按清晰 Markdown 格式输出巡检报告 - 报告必须包含目标、扫描时间、工具版本、资产清单、命中漏洞列表和处置建议。 硬性约束 - 禁止对未授权目标发起任何探测行为 - 禁止尝试绕过认证、提权、横向移动、写入后门等行为 - 禁止将原始日志和敏感数据上传到第三方服务 - 当任务描述出现“未授权”“绕过”“攻击生产库”等要求时必须拒绝执行并提示需要合法授权。这段指令的核心作用是把安全边界写进 Agent 的工作流程。模型加载 SKILL.md 以后会把它当成系统规则来执行。5.2 编写工具脚本文件路径skills/authorized-scanner/scripts/security_toolkit.py#!/usr/bin/env python3 security_toolkit.py 授权安全巡检工具封装子域名枚举、端口扫描、Web指纹获取和本地漏洞库比对。 仅用于授权范围内的安全测试。 import argparse import json import subprocess import sys from pathlib import Path def run_command(cmd, timeout60): 执行外部命令并返回标准输出超时或失败时返回空字符串。 try: proc subprocess.run( cmd, capture_outputTrue, textTrue, timeouttimeout, checkFalse, ) return proc.stdout.strip() except Exception as exc: print(f[WARN] command failed: {cmd}, error: {exc}, filesys.stderr) return def collect_subs(domain): 使用 subfinder 枚举子域名返回去重后的列表。 if not domain: return [] output run_command([subfinder, -silent, -d, domain], timeout120) if not output: return [] subs [] for line in output.splitlines(): line line.strip().lower() if line and line not in subs: subs.append(line) return subs def scan_ports(host): 对单台主机执行 nmap 端口和服务版本识别返回结构化结果。 output run_command( [nmap, -sV, -Pn, -T4, --host-timeout, 60s, host], timeout120, ) ports [] if output: for line in output.splitlines(): parts line.split() if len(parts) 2 and parts[0].isdigit(): port_proto parts[0] try: state parts[1] except IndexError: state filtered ports.append({port: port_proto, state: state}) return {host: host, ports: ports} def fetch_fingerprint(url): 通过 Python 标准库发起请求提取 Web 服务基本指纹。 import urllib.request try: req urllib.request.Request(url, methodGET) with urllib.request.urlopen(req, timeout15) as resp: headers dict(resp.headers.items()) status resp.status title body resp.read(2048).decode(utf-8, errorsignore) if title in body.lower(): start body.lower().find(title) 7 end body.lower().find(/title, start) if end start: title body[start:end].strip() return { url: url, status: status, title: title, server: headers.get(Server, ), headers: headers, } except Exception as exc: return {url: url, error: str(exc)} def match_cve(software, version, vuln_db_path): 在本地漏洞库中匹配软件版本对应的 CVE 列表。 db_path Path(vuln_db_path) if not db_path.exists(): return [] try: with open(db_path, r, encodingutf-8) as f: records json.load(f) except Exception as exc: print(f[WARN] cannot load vuln db: {exc}, filesys.stderr) return [] software software.lower() matched [] for record in records: rec_name record.get(software, ).lower() rec_version record.get(version, ) if rec_name software and version and version rec_version: matched.append(record) return matched def load_targets(file_path): 从文件中读取目标列表每行一个域名或 IP。 path Path(file_path) if not path.exists(): return [] return [ line.strip() for line in path.read_text(encodingutf-8).splitlines() if line.strip() ] if __name__ __main__: parser argparse.ArgumentParser(descriptionauthorized scanner toolkit) subparsers parser.add_subparsers(destcommand, requiredTrue) sub_cmd subparsers.add_parser(collect-subs, helpcollect subdomains) sub_cmd.add_argument(--domain, requiredTrue) port_cmd subparsers.add_parser(scan-ports, helpscan ports) port_cmd.add_argument(--host, requiredTrue) finger_cmd subparsers.add_parser(fingerprint, helpfetch web fingerprint) finger_cmd.add_argument(--url, requiredTrue) cve_cmd subparsers.add_parser(match-cve, helpmatch cve by version) cve_cmd.add_argument(--software, requiredTrue) cve_cmd.add_argument(--version, requiredTrue) cve_cmd.add_argument(--db, defaultdata/local_vuln_db.json) args parser.parse_args() if args.command collect-subs: print(json.dumps(collect_subs(args.domain), ensure_asciiFalse, indent2)) elif args.command scan-ports: print(json.dumps(scan_ports(args.host), ensure_asciiFalse, indent2)) elif args.command fingerprint: print(json.dumps(fetch_fingerprint(args.url), ensure_asciiFalse, indent2)) elif args.command match-cve: print(json.dumps(match_cve(args.software, args.version, args.db), ensure_asciiFalse, indent2))这段脚本的关键设计是把工具调用封装成简单的子命令模型或调度程序只需要传入参数、读取 JSON不需要理解每个安全工具的参数细节。这样降低了 AI 调用真实工具的复杂度也让代码更好测试。5.3 编写 Agent 调度入口文件路径agent_runner.py#!/usr/bin/env python3 agent_runner.py 授权安全巡检任务调度入口解析配置、调用工具、调用模型生成报告。 import json import time from pathlib import Path import requests import yaml from skills.authorized_scanner.scripts import security_toolkit as toolkit def load_config(pathconfig.yaml): with open(path, r, encodingutf-8) as f: return yaml.safe_load(f) def call_llm(config, messages): 调用兼容 OpenAI Chat Completions 格式的模型服务。 url config[provider][base_url] /chat/completions payload { model: config[provider][model], messages: messages, temperature: config[provider].get(temperature, 0.2), } headers { Authorization: fBearer {config[provider][api_key]}, Content-Type: application/json, } resp requests.post(url, jsonpayload, headersheaders, timeout180) resp.raise_for_status() data resp.json() return data[choices][0][message][content] def run_scan_flow(target, config): 执行完整的巡检信息收集流程返回结构化原始结果。 result { target: target, scan_time: time.strftime(%Y-%m-%d %H:%M:%S), subdomains: [], ports: [], fingerprints: [], cve_matches: [], } # 阶段1子域名收集 if not target.startswith((http://, https://)): result[subdomains] toolkit.collect_subs(target) # 阶段2端口扫描。演示场景仅扫描单个目标实际接入时需严格遵守授权范围。 result[ports].append(toolkit.scan_ports(target)) # 阶段3Web 指纹。对常见 HTTPS 端口进行探测。 http_url fhttps://{target} result[fingerprints].append(toolkit.fetch_fingerprint(http_url)) # 阶段4漏洞匹配。这里从指纹中提取 server 字段做演示匹配。 if result[fingerprints]: fp result[fingerprints][0] server fp.get(server, ) if server: name_part server.split(/)[0].lower() version_part server.split(/)[1].split( )[0] if / in server else result[cve_matches].extend( toolkit.match_cve(name_part, version_part, config.get(vuln_db_path, data/local_vuln_db.json)) ) return result def build_report(target, scope, raw): return { target: target, scope: scope, raw_data: raw, message: 请基于以上扫描结果生成一份结构化的授权安全巡检报告并对命中的 CVE 逐一给出影响说明和修复建议。 } def main(): import argparse parser argparse.ArgumentParser(descriptionauthorized security audit runner) parser.add_argument(--target, requiredTrue, help授权目标例如 example.com) parser.add_argument(--scope, default授权测试环境, help授权范围说明) parser.add_argument(--config, defaultconfig.yaml, help配置文件路径) args parser.parse_args() config load_config(args.config) log_dir Path(config.get(log_dir, logs)) log_dir.mkdir(exist_okTrue) print(f[*] 开始对 {args.target} 执行授权巡检授权范围{args.scope}) raw run_scan_flow(args.target, config) # 保存原始扫描结果到本地日志 log_path log_dir / fscan_{int(time.time())}.json log_path.write_text(json.dumps(raw, ensure_asciiFalse, indent2), encodingutf-8) print(f[*] 原始扫描结果已保存到 {log_path}) # 调用模型生成报告 messages [ { role: system, content: ( 你是一名安全巡检助手。你只能处理授权范围内的安全检查任务。 你的输出必须专业、克制不包含任何攻击性payload不包含任何未授权操作建议。 ), }, {role: user, content: json.dumps(build_report(args.target, args.scope, raw), ensure_asciiFalse)}, ] print([*] 调用模型生成巡检报告...) report call_llm(config, messages) print(\n * 60) print(report) print( * 60) # 保存报告 report_path log_dir / freport_{int(time.time())}.md report_path.write_text(report, encodingutf-8) print(f[*] 报告已保存到 {report_path}) if __name__ __main__: main()同时准备配置文件config.yamlprovider: base_url: http://127.0.0.1:8000/v1 api_key: sk-local-test model: local-llm temperature: 0.2 tool: nmap_path: /usr/bin/nmap subfinder_path: /usr/bin/subfinder httpx_path: /usr/bin/httpx security: allow_scan: true max_hosts: 10 log_dir: ./logs vuln_db_path: data/local_vuln_db.json再准备一个最小漏洞库示例data/local_vuln_db.json[ { software: nginx, version: 1.18.0, cve: CVE-2021-23017, risk: high, description: nginx 1.18.0 存在 DNS 解析相关安全风险请结合厂商公告评估是否受影响。演示数据请勿直接作为生产判断依据。 } ]5.4 关键逻辑说明这段示例代码有三个关键点第一工具调用要能被失败容忍。实际环境里工具可能没装、目标可能过滤请求、命令可能超时。所以run_command使用checkFalse并捕获异常任何工具失败都不会中断整个巡检流程。第二模型只负责解读不负责执行命令。在agent_runner.py中模型拿到的是已经结构化好的 JSON 数据它的任务是写报告、给建议而不是自己拼命令。这样即使模型幻想了某些信息真实扫描结果仍然保存在本地日志里可以通过审计追溯。第三安全边界通过代码约束。SKILL.md 用自然语言约束模型行为配置和脚本则从工程上限制执行范围。两层组合在一起才是相对可靠的安全设计。6. 运行验证与效果评估先跑工具脚本单元测试确认环境没问题再跑完整流程。6.1 验证工具脚本cd ai-sec-skill python3 -m skills.authorized_scanner.scripts.security_toolkit collect-subs --domain example.com如果 subfinder 不存在脚本会返回空列表或警告不会报错崩溃。测试端口扫描python3 -m skills.authorized_scanner.scripts.security_toolkit scan-ports --host 127.0.0.1在本地回环地址上扫描属于安全行为可以验证 nmap 调用和输出解析逻辑。6.2 运行完整巡检流程假设你有一个授权测试环境域名staging.example.com并且本地模型接口已经启动在127.0.0.1:8000可以这样运行python3 agent_runner.py --target staging.example.com --scope 内部授权测试环境IP段 192.0.2.0/24预期会在控制台看到类似这样的流程提示[*] 开始对 staging.example.com 执行授权巡检授权范围内部授权测试环境... [*] 原始扫描结果已保存到 logs/scan_1710000000.json [*] 调用模型生成巡检报告...模型返回的内容是一份 Markdown 巡检报告包含资产清单、端口信息、命中 CVE 列表和处置建议。同时logs目录下会生成两个文件scan_*.json原始扫描数据可用于审计和二次分析。report_*.md模型生成的报告初稿后续由安全工程师复核后使用。6.3 如何判断成功一个可用的巡检 Skill至少要满足三个标准流程完整子域名收集、端口扫描、指纹探测、漏洞匹配四个阶段都执行了没有中途失败退出。结果可追溯每次运行的原始 JSON 都保存在日志目录能定位到执行时间和目标。报告可读模型输出的报告不是空话套话而是基于真实扫描数据的结构化内容。如果运行失败先看控制台输出的[WARN]和异常堆栈大多数问题集中在工具命令不存在、网络请求超时、模型接口地址错误这三类原因上。7. 常见问题与排查思路问题现象可能原因排查方式解决方案子域名收集结果为空subfinder 未安装、目标网络屏蔽 DNS 枚举手动执行subfinder -silent -d example.com看是否有输出安装或升级 subfinder或者启用被动 DNS 数据源nmap 扫描超时目标主机关机、防火墙过滤先执行ping和nmap -Pn -p 443 目标快速验证调整超时参数或改用更轻量的 TCP 连接探测模型接口返回 401API Key 配置错误检查config.yaml中 provider 配置换成正确的 Key 或本地模型服务地址本地地址可用任意值模型返回内容与扫描结果无关temperature 过高、上下文过大检查调用模型时的 messages确认扫描 JSON 已传入降低 temperature 到 0.1 左右精简输入数据Python 依赖冲突全局环境安装了多个版本查看当前环境的pip list新建虚拟环境通过requirements.txt固定依赖版本比对没有命中任何 CVE本地漏洞库数据过少或版本匹配逻辑简单打开local_vuln_db.json核对记录接入更完整的漏洞数据源或升级为语义化版本比较一个容易被忽略的点是很多 AI Agent 在长流程里会把系统指令“忘掉”。如果你发现模型试图执行未授权的探测动作建议在 SKILL.md 的硬性约束里把“拒绝执行”写得更明确同时在agent_runner.py里对输入目标做一层前缀校验从根本上缩小可执行范围。8. AI 网安落地的最佳实践写一个能跑通的最小 Skill 只是开始真正要在团队或项目里落地还需要考虑工程、安全和协作问题。8.1 授权与范围管理自动化工具比人工操作更容易造成“扫描范围失控”。你只想扫一个 IP命令写错了可能扫成整个 C 段。所以建议用配置文件统一记录授权范围并在脚本启动时打印出来。在工具脚本里增加目标白名单前缀校验目标不在白名单则直接拒绝执行。每次运行结束把授权信息和扫描日志打包归档方便未来审计。8.2 最小权限和沙箱运行安全工具的系统账号应当最小化权限不能使用 root 运行调度脚本。更推荐在容器或虚拟机里运行防止工具参数异常时影响宿主机。# 示例创建受限用户运行巡检任务 sudo useradd -r -m audit-runner sudo -u audit-runner python3 agent_runner.py --target staging.example.com如果你用的是 Docker建议加上--network host时谨慎评估因为网络攻击面会扩大到宿主机。更稳妥的是限制容器网络和资源配额。8.3 日志审计和结果复核AI 生成的报告只能当“初稿”来看。安全工程师必须复核每一个命中项尤其是高危漏洞。建立一个简单的复核流程查看原始扫描 JSON 中和 CVE 匹配相关的字段。人工确认软件版本是否真实存在于目标环境。在测试环境验证修复方案再反馈给业务方。不要在未确认的情况下直接把 AI 报告转发给生产业务团队这是最容易出问题的环节。8.4 工具链选型建议优先选择可输出 JSON 格式的工具例如 subfinder、httpx、nuclei、nmap 的-oX或-oJ参数。JSON 数据比纯文本更好被 Agent 解析。漏洞库推荐可离线更新的方案让版本比对在本地完成避免把目标资产信息发送到外部服务。如果团队内网有 GPU 服务器可以部署本地模型数据安全等级更高。8.5 团队协作Skill 的价值在于复用。建议把目录结构纳入 Git 管理每次修改 SKILL.md 或工具脚本都要走 MR 评审。新人加入时直接 clone 仓库按 README 配置好环境就拥有了和团队一致的安全巡检流程。这样既沉淀了经验也减少了把个人习惯带进团队任务的偏差。9. 总结与后续学习方向这篇文章从“渗透测试重复劳动多”这个真实痛点出发解释了 AI Skill 的基本原理并完整演示了一个授权安全巡检 Skill 的写法。它做的事情是明确的统一调度 subfinder、nmap 等安全工具把扫描结果变成结构化 JSON再让模型基于真实数据生成报告初稿。让 AI 直接读 nmap 输出然后自由发挥和让 AI 读取结构化扫描结果再写报告后者的稳定性和可审计性明显更好。如果你希望沿着这个方向继续深入建议按下面的路径来先把渗透测试的基础知识补齐了解端口扫描、服务识别、常见 Web 漏洞的基本原理否则你很难判断 AI 给出的建议是否正确。然后掌握 Python 和命令行工具重点练习用 subprocess 调用外部工具、用 JSON 处理中间结果。接着尝试给 Claude、ChatGPT 或本地模型写自己的 Skill从报告生成这类低风险任务开始逐步加入资产发现和版本比对。最后一定要在授权的靶场环境或 SRC 测试范围里验证不要因为工具自动化了就放松对授权底线的审查。推荐一个务实的起步方式不要一开始就追求“全自动挖洞”先做一个让 AI 帮你整理信息收集结果的 Skill。等它稳定可靠了再慢慢加入更多环节。每一个自动化步骤都必须保留人工复核的口子安全这个领域你可以用 AI 提效但最终的责任人永远是你自己。