腾讯安全云鼎实验室研发的AI漏洞挖掘智能体VulnAgent，在仅3小时内就发现了Suricata的两个高危漏洞，展示了AI在网络安全领域的巨大潜力。这一成果标志着漏洞挖掘从手工时代迈向工业化自动化的新阶段。
智能速览
VulnAgent在3小时内发现两个Suricata高危漏洞并获CVE编号
基于LangGraph+OpenCode技术架构实现全流程自主漏洞挖掘
单人在2周内完成具备0-Day挖掘能力的Agent初版开发
采用国产大模型GLM-4.7验证了流程设计的重要性
漏洞挖掘的工业化时代已经到来，AI赋能而非替代安全研究员
精华内容
这次漏洞发现不是偶然，而是AI技术在网络安全领域应用的一次重要突破，展示了自动化漏洞挖掘的巨大潜力。
漏洞发现成果
2026年1月，VulnAgent在Suricata中发现了两个高危漏洞：CVE-2026-22258（无界分片缓冲）和CVE-2026-22259（类Zip Bomb内存放大攻击）。两个漏洞都被评定为CRITICAL级别，属于不受控的资源消耗类型（CWE-400/CWE-770）。
攻击者只需发送极小流量的恶意数据包，就能远程导致内存耗尽使引擎崩溃。由于腾讯内部NDR产品也使用了Suricata，这些漏洞在生产环境中得到了验证。得益于及时发现，内部产品抢在官方发布补丁前完成了修复。
技术架构设计
VulnAgent采用LangGraph作为流程大脑，负责复杂的有状态编排。LangGraph让每个节点维护自己的状态，根据执行结果动态路由，实现了审计失败重试、验证失败回溯等循环逻辑。
OpenCode作为能力底座，提供了开箱即用的代码理解能力、多模型支持及工具调用功能。这种可扩展性设计让VulnAgent能够持续进化：向上能第一时间吃到基础模型迭代带来的推理能力跃迁，向下能无缝继承OpenCode生态中不断涌现的新工具。
工作流程解析
VulnAgent将安全研究员的思维模式抽象为两个闭环阶段。审计阶段包括项目分析、威胁情报挖掘、攻击面分析、静态审计和结果汇总五个步骤。
验证阶段则在隔离的Docker环境中循环尝试：生成PoC→准备目标→执行攻击→分析判定。这种设计确保了从代码分析到漏洞验证的全流程自动化。
实际应用效果
本次漏洞发现使用了国产大模型GLM-4.7，证明了在基础模型能力达到一定水平后，流程设计比单纯的模型能力更重要。VulnAgent从启动任务到发现漏洞仅用了3小时，而具备0-Day挖掘能力的Agent初版仅由一人在2周内开发完成。
这一效率提升展示了AI在漏洞挖掘领域的巨大潜力，让大规模、持续性的自动化审计成为可能。
当前局限与展望
VulnAgent目前仍处于实验室原型阶段，存在自动化验证需人工干预、单线程串行设计、结果判定模糊性等限制。但这些局限并不影响其展现出的巨大价值。
未来，研究员的核心价值将从’亲自下场挖洞’转向’设计更精妙的工作流、编排更高效的Agent’。通过集成IDA、CodeQL、LLDB等专业安全工具，VulnAgent的能力将进一步提升。
CVE-2026-22258和CVE-2026-22259的发现，标志着漏洞挖掘的工业化时代已经到来。AI的意义不在于替代，而在于赋能，让专家的直觉沉淀为可复用的流程，让经验驱动的艺术进化为工程驱动的科学。这个领域的未来还有无限可能等待探索。
