AI自动挖SRC漏洞：Hermes Agent工作台搭建实操

网络安全圈最近流行一个话题：能不能让AI自动挖SRC漏洞？B站上有UP主做了一次完整实操，从传统漏洞挖掘的底层逻辑讲起，一直讲到用AI Agent搭建自动化工作台。这篇文章把视频里的核心思路和关键判断整理出来，供想尝试AI辅助漏洞挖掘的安全从业者参考。

传统漏洞挖掘的底层框架，AI也得遵守

UP主在视频开篇反复强调一个观点：不管用传统方式还是AI方式，漏洞挖掘的"万能三步法"和漏洞报告"四要素"都不会消失。

所谓万能三步法，是SRC漏洞挖掘的基本路径——理解目标、发现漏洞、形成报告。而漏洞报告四要素则包括URL、复现过程、危害说明和修复建议。这两套框架是网络安全人员做漏洞挖掘的底层逻辑，AI要做的是模仿这个逻辑，而不是绕开它。

这个判断值得重视。很多人在讨论AI自动化时，容易把注意力放在工具本身，忽略了安全工作的专业框架才是核心。AI Agent的价值在于执行效率，但它需要被约束在正确的挖掘思路和报告规范里。UP主明确说，让AI模仿网络安全人员的思路去做漏洞挖掘，这一点务必要了解。

SRC（Security Response Center）是各大互联网公司设立的安全应急响应中心，负责接收外部安全研究者提交的漏洞报告并给予奖励。漏洞挖掘者通常围绕SRC的收录范围和评级标准开展工作，因此“理解目标”不仅是技术层面的信息收集，也包括弄清目标SRC的规则、资产范围和评分体系。这与公开漏洞赏金平台（如HackerOne）的运作逻辑类似，但国内SRC多为企业自建，规则差异较大，对报告格式和复现细节的要求往往更严格，这也是“报告四要素”在实战中格外重要的原因。

网页交互 vs AI Agent：两种路线的现实差距

视频把AI的使用方式分成两类，并给出了明确的适用性判断。

第一类是网页直接交互。打开DeepSeek、Kimi、智谱清言这类网站，一问一答地对话。这种方式早期不太方便用于漏洞挖掘，UP主提到现在虽然可以用了，但本质上仍是一问一答的节奏，在挖洞这种需要连续执行多步骤任务的场景里效率有限。不过他也提到，像"签问3.8max"（音）这类产品在网页端加入了一些技能能力，算是一个折中方案。

第二类是AI Agent方式。给一个任务，Agent从头跑到尾，中间可以干预也可以不干预。这种模式适合漏洞挖掘这类流程化任务，也是本次实操采用的方式。

UP主对市面上几款Agent工具做了点评：Claude Code能力不错但封号风险高，他甚至提到最近有美国程序员在深圳开会期间账号被封的事情；Codex是无牙老师在课程中常用的工具；个人智能助理类产品如OpenClaw^广告（音）在2025年底到2026年初有过一波免费安装热潮，360、腾讯都参与过，但腾讯的QCloud产品在WorkBuddy^广告出现后被砍掉，据称十月份停止维护。

AI Agent与普通对话式AI的核心区别在于“工具调用”和“任务循环”能力。Agent可以自主规划步骤、调用浏览器、终端、扫描器等外部工具，并根据执行结果决定下一步动作，形成“思考—行动—观察”的闭环。这种能力依赖模型对函数调用（Function Calling）协议的支持，以及上下文管理和错误重试机制。对于漏洞挖掘这类需要多步骤、跨工具协作的任务，Agent模式的连续执行能力是网页一问一答模式难以替代的，但同时也带来了token消耗高、执行偏离目标等新问题。

Hermes Agent为什么被选中

在这些工具之后，UP主提到了Hermes Edge（音），并给出一个关键对比：它比OpenClaw更节约token，使用起来更方便。但他也坦率地说，真正用多了会发现它也不是不用token，只是相对更省。

选择Hermes Agent作为工作台核心，背后有一个务实考量：漏洞挖掘任务往往需要多轮工具调用和较长的执行链路，token消耗是实际成本。一个相对节省token的Agent，在长期使用中更有优势。这与视频里提到的"事半功倍"目标是一致的。

不过需要说明的是，视频对Hermes Agent的具体部署步骤着墨较少，更多是围绕工作台的构建思路和工具选型展开。真正的"手把手搭建"部分，需要结合视频画面中的操作演示来看。

安全Skill技能：Agent的能力边界在哪

标题里提到的"安全Skill技能"，是这套工作台的关键设计。Agent本身是通用执行器，要让它做漏洞挖掘，需要给它注入安全领域的技能——可能是漏洞探测的指令集、报告生成的模板，或者特定工具链的调用方式。

UP主没有在口述中展开Skill的具体实现，但从他反复强调"AI要模仿网络安全人员"来看，Skill的本质是把安全专家的经验固化成Agent可执行的模块。这也是当前AI Agent在垂直领域落地的主流思路：通用模型加领域技能包。

对想做类似尝试的安全人员来说，这意味着工作台的重心不只是选一个Agent工具，更在于把自身的挖掘方法论转化为结构化的技能描述。三步法和四要素，恰好可以作为技能设计的骨架。

Skill（技能）在Agent体系中通常指以结构化描述封装的领域能力，常见形式包括提示词模板、工具调用脚本、知识库检索规则等。与微调模型不同，Skill不需要重新训练模型，而是通过上下文注入的方式让通用模型获得特定领域的操作知识，成本低、迭代快。在安全场景中，Skill可以把常见漏洞的探测思路、Payload构造方法、报告模板等固化为可复用模块，使Agent在不同任务中调用统一的标准流程，这也是“通用模型加领域技能包”成为垂直落地主流路径的技术原因。

实操前的几个冷判断

从视频内容能提炼出几个不那么"热血"的结论。

AI自动挖SRC漏洞目前仍处在工具辅助阶段。Agent能跑完整任务流程，但任务的定义、技能的编写、结果的审核，都离不开人。UP主说"中间你可以干预"，反过来理解就是，完全不干预在当前阶段并不现实。

工具选型没有银弹。Claude Code有封号风险，OpenClaw类产品有生命周期问题，Hermes Agent省token但也不是零成本。选择哪个，取决于预算、合规要求和任务频率。

靶场部署测试是必要环节。标题里提到"部署测试靶场完整实操"，这是负责任的做法——在真实SRC目标上试错之前，先在靶场验证工作台的稳定性和准确性，避免误报和合规风险。

最后一张截图的caption是残缺的（"像我们早期呃"），无法确认具体内容，这里不做过度解读。整体来看，这期视频的价值在于把一个热门概念拆解成可讨论的工程问题：框架不变、工具在变、人的判断始终在场。

靶场（Cyber Range）是模拟真实网络环境的隔离测试平台，常见开源方案包括DVWA、VulnHub靶机以及OWASP Juice Shop等。在靶场中验证AI工作台，重点在于检验Agent的漏洞识别准确率、误报率以及报告生成的完整性，同时避免在未授权目标上操作带来的法律风险。按照《网络安全法》及相关司法解释，未经授权对真实系统进行漏洞探测可能构成违法行为，因此先在靶场完成稳定性验证，再申请SRC授权测试，是AI辅助漏洞挖掘必须遵守的合规底线。