DarKnight
面向暗网威胁情报场景的自我改进智能体框架，通过双信号RAG检索、图像特定预处理流水线和站点反馈学习，在本地GPU上运行开源权重VLM以求解CAPTCHA验证码
时间轴 (近 90 天)
DarKnight 是一个自我改进的智能体框架，设计目标是在调查人员自己的 Tor 爬虫环境内，用单张工作站 GPU 运行本地托管的开源权重 VLM，不依赖第三方服务，也不需要针对每个市场单独训练
DarKnight 采用双信号 RAG 检索机制，检索对象同时包含历史成功案例和失败案例
DarKnight 会根据当前图片的特征动态组合针对性的预处理方案，而非对所有图片套用统一流程
在四个真实暗网市场的案例研究中，核心结论是智能体的工具选择能力比单纯扩大模型参数更有效
在一个防御最严密的暗网市场上，一个可部署的开源权重 VLM 配合 DarKnight 达到了 83.2% 的通过率，比其基础模型高出 37.2 个百分点
DarKnight 配合开源权重 VLM 的 83.2% 通过率超过了 Claude Opus 5 在该任务上的 44%
DarKnight 在 7.6% 的性能退化代价下，恢复了 48.2% 的基线失败案例
在特定垂直任务上，检索引导的智能体框架配合小模型可能比直接调用大模型 API 更具实用性和可持续性
全部知识事实 (8)
DarKnight 是一个自我改进的智能体框架，设计目标是在调查人员自己的 Tor 爬虫环境内，用单张工作站 GPU 运行本地托管的开源权重 VLM，不依赖第三方服务，也不需要针对每个市场单独训练
50%待验证DarKnight 采用双信号 RAG 检索机制，检索对象同时包含历史成功案例和失败案例
50%待验证DarKnight 会根据当前图片的特征动态组合针对性的预处理方案，而非对所有图片套用统一流程
50%待验证在四个真实暗网市场的案例研究中，核心结论是智能体的工具选择能力比单纯扩大模型参数更有效
50%待验证在一个防御最严密的暗网市场上，一个可部署的开源权重 VLM 配合 DarKnight 达到了 83.2% 的通过率，比其基础模型高出 37.2 个百分点
50%待验证DarKnight 配合开源权重 VLM 的 83.2% 通过率超过了 Claude Opus 5 在该任务上的 44%
50%待验证DarKnight 在 7.6% 的性能退化代价下，恢复了 48.2% 的基线失败案例
50%待验证在特定垂直任务上，检索引导的智能体框架配合小模型可能比直接调用大模型 API 更具实用性和可持续性
50%