AI自动化渗透测试学习路线：从入门到SRC实战

AI 正在改变渗透测试的学习方式。过去学挖漏洞，路径往往是「先啃完命令行和工具手册，再上靶场反复练」。如今这套流程正在被重写——AI 可以帮你写资产收集脚本、分析扫描结果、甚至生成 POC 验证代码。B 站上有一套被整理出来的「AI + 渗透测试」学习路线，把整个过程拆成四个模块，对想入门网络安全的人有不错的参考价值。

模块一：先建立正确的认知边界

这条路线把入门阶段的核心目标定为两件事：建立正确的网络安全认知，以及理解 AI 在漏洞挖掘中到底能干什么。

具体要搞清楚的概念包括：什么是 skill、什么是上下文（context）、什么是 agent 智能体，以及 codex、hermes、workbody 这类常见的 agent 工具。这些名词听起来抽象，但它们是后面所有自动化操作的基础——不理解 agent 的工作方式，就很难判断 AI 给出的结果能不能信。

同样重要的是白帽黑客的定义、职业伦理和安全测试的合法边界。素材里说得很直接：安全技术本身是一种能力，但所有测试行为都必须建立在合法授权之上。这条线划不清楚，后面的技术学得再好也是危险的。

基础流程也要过一遍：信息收集、威胁建模、漏洞利用、后渗透、报告生成。这些是后续做自动化的骨架，AI 只是填充进每个环节的加速器。

Agent（智能体）是当前 AI 应用的核心范式，指大模型在给定目标下自主规划步骤、调用工具并观察反馈的循环系统。与单轮问答不同，agent 通常包含规划（把任务拆成子步骤）、工具调用（如执行命令、读写文件、发起网络请求）和记忆（保存中间结果与上下文）三个组件。渗透测试场景中，agent 之所以有用，是因为资产收集、扫描、验证本身就是多步骤、需要根据反馈调整的流程，正好契合 agent 的工作方式。Codex 是 OpenAI 早期面向代码生成的模型系列，也是后来代码智能体类工具的代表性名称；hermes、workbody 则是素材中提到的具体 agent 工具/助手产品。理解这些概念的关键在于区分「模型」与「agent 框架」：模型负责推理与生成，框架负责调度工具和维护上下文。

模块二：AI 辅助 Web 漏洞挖掘

进入实操阶段后，第一步是搭好 AI 实验环境。这包括 workbody 这类 AI 助手的安装配置、常见大模型的选择、工作空间设置以及访问权限管理。环境没搭对，后面调用工具会处处卡壳。

资产收集和攻击面梳理是传统渗透测试里最耗人力的环节之一——手动写脚本、跑多个工具、再人工看结果。素材指出，现在 AI 可以辅助完成资产收集工具的编写、Web 指纹识别和扫描结果分析，还能参与源码分析，帮助发现潜在安全问题。

到了漏洞挖掘本身，重点围绕 OWASP TOP10 里的常见类型展开，比如 SQL 注入（素材中口误为「Circle 注入」）、越权漏洞和逻辑漏洞。学习时要抓住两个点：漏洞产生的根本原因，以及如何借助 AI 完成发现和验证。复杂业务场景同样值得关注，注册、登录、修改密码这些流程中的安全问题，以及验证码绕过、登录验证绕过，都是 AI 可以辅助分析的对象。

OWASP TOP10 是由 OWASP（开放式 Web 应用安全项目）每数年更新一次的 Web 应用十大安全风险清单，是业界公认的漏洞分类与学习框架。近年版本中常见的条目包括失效的访问控制、加密机制失效、注入类漏洞（SQL 注入、命令注入等）、不安全设计、安全配置错误、易受攻击和过时的组件、身份认证与鉴权失效、软件与数据完整性失效、安全日志与监控失效以及服务端请求伪造（SSRF）。把学习重点放在这份清单上，好处是覆盖了真实世界中最高频的漏洞类型，且每类都有成熟的检测思路和验证方法。需要说明的是，原文提到的「越权漏洞」在 OWASP 分类中通常归入失效的访问控制，而「逻辑漏洞」往往对应不安全设计，它们共同的特点是难以靠扫描器自动发现，更依赖对业务流程的理解，这也是 AI 辅助分析能发挥价值的地方。

模块三：AI 驱动自动化渗透测试

这是整条路线里最核心的部分，目标是把 AI 嵌入完整的渗透测试流程。

第一个能力是 Skill 封装：把一套完整的测试流程（比如越权检测）封装成可重复调用的 Skill。面对同类场景时直接复用，不用每次从零搭建。这其实是把个人经验资产化，也是自动化测试效率提升的关键。

第二个能力是让 AI 调用 Kali Linux 里的安全工具，包括 Nmap、Nikto（素材中口误为「Circlemap」）和 Metasploit。通过 AI 连接 Kali 环境，可以从信息收集一路走到漏洞分析和利用。

第三个能力是 POC 的生成与验证。POC 即漏洞概念验证代码，AI 可以根据漏洞描述生成对应的 POC，再执行验证。素材强调，这项能力在漏洞挖掘和 SRC 漏洞提交过程中有很高的实际价值——它能显著缩短从「怀疑有漏洞」到「确认可复现」之间的距离。

最后是把 AI 和 Kali 结合起来做一次完整的自动化渗透测试实战，把前面的 AI 能力、工具调用能力和漏洞分析能力全部串起来。

Kali Linux 是基于 Debian 的渗透测试专用发行版，预装了数百款安全工具，常被作为渗透测试的标准作业环境。原文提到的几款工具定位各有不同：Nmap 是网络发现与端口扫描工具，用于识别存活主机、开放端口、服务版本和操作系统指纹，是信息收集阶段的基础；Nikto 是 Web 服务器扫描器，主要检测过时的服务器软件、危险文件和常见配置问题；Metasploit 则是漏洞利用框架，提供漏洞模块、载荷（payload）和会话管理能力，可把「发现漏洞」推进到「验证利用」。AI 调用这些工具的方式通常是通过命令行接口或 API，由 agent 根据上一步输出决定下一步执行什么。这种组合的价值在于把工具链的编排从人工记忆命令转变为由 AI 规划执行，但也要求使用者能判断每一步结果是否合理，避免在错误方向上盲目推进。

模块四：靶场练习与 SRC 实战

理论学完必须落地。素材建议先在靶场平台练习，比如 HTB 和 VulnHub（素材中口误为「Valhub」），这些平台提供不同难度的靶机环境，适合练漏洞分析和渗透测试手法。

然后进入真实漏洞挖掘平台，国内常见的有补天和漏洞盒子。通过这些 SRC 平台，可以了解真实企业的漏洞挖掘流程，积累实际的漏洞提交经验。从靶场到 SRC 的过渡，是从「会打靶」到「能交付」的关键一步。

HTB（Hack The Box）和 VulnHub 是两类定位不同的练习平台。HTB 是在线平台，提供从入门到专家难度的靶机、以及按路径组织的学习模块，社区活跃，部分内容需付费订阅；VulnHub 则提供可下载的虚拟机镜像，本地导入后离线练习，适合没有稳定网络环境或希望反复重来的学习者。SRC（Security Response Center，安全响应中心）是企业接收外部白帽提交漏洞的官方渠道，国内常见的有补天、漏洞盒子以及各大厂商自建 SRC。在 SRC 提交漏洞时，通常需要提供漏洞复现步骤、影响范围和验证证据，这正是 POC 能力体现价值的地方。需要强调的是，SRC 平台只接受对授权范围内资产的测试，未授权测试即便发现了真实漏洞也可能涉及法律风险，这与前文强调的合法授权边界是一致的。

这套路线的价值在哪

素材最后给出的判断值得引用：未来的安全测试不再只是单纯依靠人工执行命令、重复运行工具，而是要学会利用 AI 提升效率，把重复性工作交给 AI，把精力放在漏洞分析、攻击思路和安全策略上。

这个判断的合理之处在于，它没有把 AI 包装成「一键挖洞」的神话，而是定位成效率工具。漏洞挖掘的核心仍然是理解漏洞原理和业务逻辑，AI 只是在信息收集、脚本编写、POC 生成这些环节压缩了时间成本。对零基础学习者来说，按这四个模块循序渐进，比盲目堆工具清单更有方向感。