Trae Code自动化渗透测试实测：AI Agent挖洞全流程解析

引言：AI Agent正在重塑安全测试

随着大模型能力的快速演进，AI已经从辅助编码逐步渗透进网络安全领域。近期，B站UP主分享了一套基于字节跳动 Trae Code 的自动化渗透测试工作流，通过配置自定义 Skills（技能），让AI Agent自主完成从信息收集、漏洞尝试到数据提取的完整链路，对SQL注入、RCE（远程代码执行）等经典漏洞进行自动化挖掘。

这类实践既展示了AI在安全攻防中的巨大潜力，也再次敲响了「AI双刃剑」的警钟。本文将客观梳理其技术流程与背后的安全逻辑，帮助读者理解AI Agent在渗透测试场景中的能力边界。

需要强调的是：本文所述技术仅用于授权环境下的安全研究与靶场演练。 未经授权对他人系统进行渗透测试属于违法行为。

Trae Code是什么：工具定位与配置流程

Trae 是字节跳动推出的AI编程IDE，其国内版本 trae.cn 提供 Trae Code 产品。据UP主介绍，新注册用户可获赠约4000积分，而完整跑一个中等规模的资产测试大约消耗100积分，小型目标甚至只需十几到几十积分——相较于同类AI安全测试软件，其 Token 消耗成本具有较高性价比。

核心配置：Skills渗透测试技能包

整套自动化渗透测试工作流的关键在于导入一个自定义的渗透测试 Skill 包（视频中称为 Squaze/技能VIP）。配置步骤大致如下：

从 trae.cn 下载并安装 Trae Code
注册登录后进入 IDE
打开 设置 → 技能与命令
选择「创建全局」，上传技能包文件
填写技能描述，点击确认，等待十几秒完成加载

一定不要解压在这

说个细节，UP主特别提醒技能包 不要解压，直接上传打包文件即可。这个技能本质上是一套预设的提示词工程（Prompt Engineering）与操作流程模板，用于引导AI按照渗透测试的方法论逐步执行任务。

实测一：AI自动化手工SQL注入

配置完成后，UP主以公开靶场为测试目标进行演示。指令设计得相当克制且明确：

「使用此技能帮我对XX进行一次手工SQL注入尝试，不要使用脚本和工具，最终返回数据库名和表名。」

这里有一个值得关注的技术细节——明确要求不使用自动化脚本和工具（如 sqlmap），而是让AI模拟「手工注入」的思路。这意味着AI需要真正理解注入原理，逐步构造 payload、判断注入类型、推测数据库结构。

继续获取User表的列和账号数据

从演示结果看，AI进入思考模式后，对目标参数进行注入类型测试，最终成功输出了 数据库名、表名以及数据库版本号，并识别出注入类型（GET型）。更进一步，AI还会主动提示「是否继续获取 User 表的列和账号数据」，展现出Agent的连续任务规划能力。这一步消耗约57积分。

SQL注入（SQL Injection）是一种历史悠久但至今仍高发的Web安全漏洞。其原理是攻击者在用户输入字段中插入恶意SQL语句片段，当后端程序将用户输入直接拼接进数据库查询语句时，恶意片段便会被数据库引擎执行，从而导致数据泄露、认证绕过乃至数据库写入。传统手工注入需要测试者依次判断注入点类型（如GET/POST参数、Cookie等）、数据库类型（MySQL/MSSQL/Oracle等）、注入方式（联合查询、报错注入、布尔盲注、时间盲注等），并逐步构造 payload 枚举数据库名、表名、列名直至提取敏感数据。这一过程对操作者的SQL语法掌握和逻辑推理能力要求较高，AI Agent 通过对注入原理的深度理解，能够模拟这一推理过程并自主决策下一步 payload，这也是本次演示中「不使用 sqlmap 等工具」的真正考验意义所在。

实测二：RCE漏洞发现与权限提升

第二个演示目标是一个存在RCE（远程代码执行）漏洞的靶场站点。相比SQL注入，RCE漏洞的挖掘更能体现AI的综合分析能力。

从信息收集到漏洞利用的完整链路

据UP主演示，AI首先会结合表单和参数进行 信息收集，随后尝试漏洞利用。测试中，AI成功获取了：

系统版本号与容器信息
PHP版本号
三条数据库记录（含MD5加密的密码）

有意思的是，对于 MD5 加密的密码 123456，UP主当场用MD5工具进行反查验证，确认AI提取的数据真实有效。

然后包括手工包括AI全方面交给你

RCE（Remote Code Execution，远程代码执行）是危害等级最高的漏洞类别之一。攻击者一旦利用成功，可在目标服务器上任意执行系统命令，通常可直接导致服务器完全失陷。RCE 的成因多样，常见场景包括：不安全的反序列化、文件上传后缀绕过、命令注入（如 PHP 的 system()、exec() 函数拼接用户输入）、模板引擎服务端注入（SSTI）等。在实际渗透中，发现 RCE 后的典型后续动作包括：读取 /etc/passwd、/proc/self/environ 等敏感文件，获取数据库配置文件，写入 Webshell 建立持久化访问，以及横向移动至内网其他主机。演示中 AI 自动完成信息收集并给出权限提升建议，正是对上述标准攻击链的模拟执行。

AI引导下的权限扩大

拿到RCE后，AI并未止步，而是持续给出下一步建议：获取当前用户、系统信息、Web目录路径，并尝试读取敏感文件、进行后台越权测试等。

继续给我们输出信息

UP主在此处给出了一个关键的专业判断：

「你可以交给他让他去扩大维权，但前提是你必须要有思路。如果你没有思路，只能根据AI提示扩大——AI仍然是辅助，思路的主导权在人。」

这句话点出了当前AI渗透测试的本质：AI擅长执行和探索，但整体攻击链的战略判断仍依赖人类专家的经验。

AI渗透测试的能力优势与现实局限

四大能力优势

从这次实测可以提炼出AI Agent在安全测试中的几个显著优势：

速度快：UP主对比表示，Trae Code 的执行速度明显快于同类工具
成本低：单次测试的Token消耗仅需几十到上百积分
链路完整：从信息收集、漏洞尝试到数据提取、权限提升可连续自主推进
多模型协同：可结合 Trae1、Claude 等多个模型并行工作，提升漏洞覆盖率

三点现实局限

但我们也应清醒看到当前AI渗透测试的不足：

依赖人类思路：AI无法替代渗透测试工程师的整体战略规划，仍需人工主导攻击路径
靶场与实战的差距：演示均在公开靶场进行，真实环境的复杂度、防护机制（WAF、蜜罐、IDS）远超靶场
误报与幻觉风险：大模型固有的幻觉问题可能导致漏洞误判，测试结果必须人工复核

WAF（Web Application Firewall，Web应用防火墙）、蜜罐（Honeypot）和IDS（Intrusion Detection System，入侵检测系统）是真实生产环境中最常见的三类主动/被动防御机制。WAF 通过规则匹配过滤恶意请求，可识别并拦截大量已知的 SQL 注入和 RCE payload；蜜罐通过伪造高价值资产诱骗攻击者并记录其行为，能有效暴露攻击意图；IDS 则对网络流量进行持续分析，触发告警甚至自动阻断异常行为。靶场环境通常不部署这些防护，这使得 AI Agent 在靶场中的高成功率未必能平移至真实业务系统——面对 WAF 的规则拦截，AI 需要具备 bypass 能力；面对蜜罐和 IDS，AI 的探测行为本身也会留下可被溯源的痕迹，这是当前自动化渗透测试工具普遍面临的挑战。

结语：技术中性，合规使用是底线

Trae Code 配合渗透测试 Skills 的实践，直观展示了AI Agent在网络安全领域的应用潜力——它能大幅降低渗透测试的操作门槛与时间成本，是安全研究人员值得关注的效率工具。

然而，正是因为门槛的降低，这类技术的 合规使用 变得尤为重要。渗透测试的前提永远是授权，任何脱离授权范围的「挖洞」行为都将触碰法律红线。对于安全从业者而言，AI是提升能力的杠杆；而对于整个行业而言，如何在AI加持下构建更强的防御体系，将是必须面对的重要课题。