限免一周｜Memfit 全面升级：安全评估，流量分析与知识系统

基于我们之前的文章《网络安全 Harness 的悲歌》讲到的“流水不争先，争滔滔不绝”的无限游戏玩家理念。我们更希望我们的 Memfit AI 的产品是一个大家日常在很多场景和生产工作中使用的工具或平台，而不是放着“展览”的产品。

一般的安全类 AI Agent 在功能趋于稳定之后，会因为工具不可控，外部依赖众多，或者没有新的场景和生态导致生命力会迅速下降；这类“速生速死”并不是我们希望发生的。

在 Yak Project 的叙事中，我们希望我们自己是“广泛使用的开源网络安全基础设施”，我们在前AI时代，使用编程语言与编译器为核心路径，把基础的网络安全能力使用 Yaklang 与 YakVM 进行非常深度的融合，做一站式的安全方案。事实也证明，基于这套理念下，在用户们的帮助下，产品的研发效能和实际效果都取得了非常好效果。

但是AI时代之后，行业内做了大量的探索和实践，AI 用于攻击也好，AI 用于编码也好，或者AI用于防御手段。实际上我们赋予了 AI 大量的工具：发送数据包，扫描器，漏洞利用工具，协议分析器，并且沉迷于 AI 发挥这些老伙计的能力，但是本质上，原本的人类专家或者 SOP 专家也在发挥原本的这些工具的能力，原本由人调度的东西，由 docker 或者容器化调度的东西，变成了由 AI 调度。我们短期内忽略了这些底层工具，但是他们在AI工作中却起到了非常重要的作用。

就好比，curl 和 bash 如果出问题，那么市面上百分之九十九的 AI Agent 执行任务和命令都会有问题；某一个工具不够高效，那么整体就会多浪费一些 AI 的 Token 和步骤以及时间。

“安全能力融合”的故事还在继续：我们仍然可以通过提升工具的质量和特殊场景化的工具，来进行具体场景工作的效能优化；AI 完成专业的工作应该使用专业高效的工具，而不是 bash 或者 curl，wget 这类基础工具。

简单举个例子：我们提供了一个do_http_request.yak的工具，他可以提供比 curl 更少的依赖和更强的兼容性，甚至还包含批量发包的功能

当然，这只是我们很多好用的 AI 工具的一小部分，我们经过大量的实际测试，这个do_http_request.yak在日常工作的表现非常好，除了节约大量token之外，对一些老系统和内网系统的兼容也非常棒，反观 cURL 很多时候就没有那么好运咯。
随着 Memfit AI 项目推进，我们完成了很多非常有意思的功能和场景适配，实现了非常多有趣的细节和实用功能，希望用户能继续给我们一些机会~

既然我们希望 Memfit AI 仍然是一个工具类型的产品，那认真做好人机交互其实是一个头等大事。毕竟，单纯想让一个 Agent 跑起来是一个非常简单的事情，但是想让别人承认在使用它，才是最难的地方。

大部分 AI Agent 其实都是一个对话框，这让人又爱又恨：我们应该怎么传达给用户 Agent 是做什么领域的？编码 Agent 和办公 Agent 很不一样，同样的安全领域 Agent 应该承担的工作也绝对不只是一个“对话框”能表达的。

虽然我们做了一些其他的工作：侧边栏和右侧工具气泡增加了一定输入引导，虽然整体看起来清爽很多，但是想要在“专业度”和“简洁”中找到一个平衡，还是很有难度的。

日常工作，尤其是中长程任务中，有一些非常让人纠结的地方：

1.跟随 AI Agent 的进程，需要在对话框中一步一步展示任务吗？

2.当任务进程非常长的时候，应该怎么去理解几百个 Step 中，到底做了那些事情？

我们曾经尝试抛弃对话式的“AI交互”，减弱甚至取消“用户输入”的功能，得到了非常负面的反馈：用户和客户普遍反馈无法干预执行过程，整体的“失控感”完全压制了“任务执行过程”。

随后我们又极大强化了“纯对话”模式，马上又遭到了很多反噬：“任务执行过程中发出去的流量我去哪儿看？”，“AI 说写了一个文件，如何快速查看这个文件？”，“我想勾选一些流量到 Agent 中执行应该如何操作？”

其实我们团队内通过各种试错后认真反思了一下，反而安全领域的 Agent 需要的拼图组件要远大于“编程”Agent，我们需要文件系统，需要浏览器，需要流量表，需要异步任务，需要状态表，需要能记录漏洞的位置，需要能报告进度的位置。

那么常见的 Agent 右侧工具状态气泡模式，我们就需要增加一些“安全领域”的专用子系统：

与此同时呢，在执行过程中其实，并不能完全不展示“任务详情”，一般任务为了保持一致性和同步信息，TODO List 这种最基础的机制是一定要的，但是如何知道这个 TODO 执行到什么进度了？什么时候执行的什么呢？

市面上主流的是使用“图”的方式来展示的，这是一种“伪智能”，实际上对模型来说，图不图的其实并不重要，纯列表文本填进去，AI 的聪明程度也并不会减弱多少。其实流程展示核心是为了方便人，为了让人更有掌控欲。

既然为人理解 AI 运行服务，那必然是我们应该采用人最能理解的概念“时间与排期”，那我们就使用“甘特图”以时间轴为核心，来展示任务可视化：把整体任务状态转化为符合人类直觉的时间与空间关系。

实现的效果如下所示，我们可以很容易的看到这个任务执行的情况，哪些完成了，哪些跳过了，什么时间完成的，执行了大概多久

当然，我们仍然保留了重要的任务运行时，例如你可以随时观察 AI 系统发出了什么样的数据包。

在整个执行任务的过程中，人机交互其实完全不局限在“我和AI说句话”的Chat模式，人可以随时观察到AI Agent的系统行为，追加上下文，随时调整方向，也可以在不影响 AI 执行的时候，随时检查任务内容。

虽然我们这个功能已经推送有一段时间了，一直没有拿出来讲。但是实际生产使用中，产生了非常好的效果，收获了广大用户客户的非常好评。

我们可以设置一个任务的运行时间。

为什么我们要设置这样的一个在别的地方无法见到目标模式呢？

实际上在安全领域里面，探索性质的任务占了绝大多数，几乎所有的安全领域任务都不像“编码”一样，有一个明确的终结状态：

1.安全评估完成了一个漏洞就算评估完成了吗？那么目标应用是不是还有更多漏洞？

2.审计代码审计出了一个链路就算完成了吗？那么还有没有其他的链路？

3.流量分析分析出了一个可疑行为就可以写报告了吗？有没有关联其他问题？

说点更实际的内容，漏洞是以“存在”为前提的，一个应用有漏洞才可能被攻破或者发现，如果一个 Nginx 的纯静态页面，也没有任何 mod，那从正面攻破这个网站的机会微乎其微。就好比，没有人会指望攻破example.com吧？

但是 AI 其实并不擅长“纯探索”性的任务，他总是以“阶段性发现”，“重大发现！”来想提前终结任务。与此同时，我们发现绝大多数的用户，经常对 AI 说的话是：“继续”！

因此，我们实际在引导用户使用“设置一个3小时的不间断任务”，整体取得了非常棒的效果，其实很多时候大家对“continue”多次的结果表示满意，这就说明 AI 的能力其实完全可以达到，Agent 自然有义务帮助用户去把这个事儿做了。

我们之前探讨了很多关于“架构”本身意义的事情，其实在 AI for Security 推进和发展的过程中，人的认知逐步在加深，会逐渐认识到一个事实：“AI Agent 架构再怎么设计，不如多给 AI 提供几个数据源”。就好比：大家最希望 WorkBuddy 打通的一个数据源是谁呢？

微信！

所以啊，与场景打通与生态打通才是要紧的事儿。

我们最近到底新增了多少 Agent 的新数据源和场景化的能力，不如就让 Memfit 自己来回答大家吧：

很多时候，在 Yakit 中寻找某一些流量，还是会花一段时间的，用户可能需要在自己的项目目录中跳转，搜索。但是实际上，我们近期版本提供的list_yak_projects以及query_http_packet_history可以实现在 Memfit 中跨目录，跨项目地搜索任何之前发生过的流量。

为了让用户长期和生产中使用 Memfit 的系统，维护好自己的专业数据，我们实现了一个核心在本地运行的知识系统，这实际上对体验提升巨大。我们之前在 “知识库” 的专用 TAB 中进行操作的内容，现在可以直接 Chat 让 Agent 直接调用核心 Yak 工具去维护数据库了。

实际上，在我们新的接口和新的工具系统中，我们甚至都不必学习“知识库”的UI到底是怎么使用的，在这种能力体系下，直接交互其实是最简单且暴力的。

接下来我们就直接展示知识库是如何管理的（同样，这也是几乎 Memfit AI 独有的系统）

在建立好知识库之后，他就开始验证，我们可以看到如下验证过程：

我相信，很多人在各种公众号上看到“自进化”与记忆系统的故事，这实际上我认为是非常有意义的事情。犯过的错误不再犯了，出过的洋相不再出了，这些才是长期生产的保障。

虽然这股风潮还没有完全吹到“安全 Agent”中，但是不妨碍我们去实现和完成 RSI 自进化的基础设施。

我们设计了一些非常棒的接口来完成这个内容：

这些接口可以同时实现，对中长期的持久记忆进行操作，也可以对短期以时间线为核心的 timeline 记忆系统进行处理。

同样的，我们的 Agent 他自己也仍然可以回答这个问题：

虽然早些版本，我们已经使用了 MCP 的接口，但是添加和配置 MCP 其实还是“人手动配置”的：

这其实并不好，因为很多时候人点击然后反复复制是一件很浪费时间的事儿，我们也完全懂得用户在这一点上的困扰。虽然用户不会专门去提这个事情，但是我们和上面讲到的一样，为 MCP 同时做了更好用的 YAK 原生工具，不再需要手动配置一堆了。简单来说：用户可以在 Memfit AI 的 Chat 对话框中直接下达任务管理 MCP 工具和指定 MCP 工具的调用和启用。同样的，我们可以直接问 Memfit AI 到底能否实现：

我们启动的 MCP 管理的方案，其实是完全和UI同步的，当我们在 Chat 中添加了 MCP 服务器后，整体UI也会有对应变动。

流量分析其实是一个非常重要的场景，我们也笃定这是未来的重点发展的一部分。很简单，TShark 不够 AI 原生，分析需要支持很多种协议（Wireshark 支持现在约3000多种左右），Zeek支持不到一百种，Snort和Suricate的协议强和规则绑定。

我们简单尝试了各种不使用专业工具，让 AI 直接分析流量的办法，AI 往往通过现场写代码和调试代码来分析，整体非常不稳定，不可控，并且强烈依赖模型的智能程度。

所以我们最近更新了 yaklang 的流量层面的基础设施，让他具备了对流量的后分析的能力，并且可以支持大量的协议，整体协议以一周几十种的速度扩充。

我们希望未来 Memfit AI 在智能化层面可以做到几乎 Wireshark + AI 的完美体验（当然，随着 AI 的变强，我们的这个能力和协议迭代速度也会变强）。

整个过程还是相当丝滑的，整体用户只输入了想要分析的内容和意图，整体就都完成了：

你可以把 Memfit 理解为正在演进中的 AI Native Wireshark。你把抓包交给它，用自然语言提出问题，比如“谁先登录失败，后来下载了什么，又传到了哪里”。当然像 Wireshark 的 UI 优化，我们也正在进行中，可能未来会是这样：

Memfit 会围绕这个问题，调用 Yaklang 引擎提供的专业流量工具，逐层查找会话、协议字段和原始数据，再关联线索、核对证据。最终呈现的分析结果，可以沿着记录 ID、会话和字段引用回到具体流量，供用户复核。AI 负责组织调查和解释结果，Yaklang 引擎负责提供专业、可检索的流量证据。

作为做“编译器”出身的团队，我们本身其实对底层非常敏感。近期我们已经开始 Yak 到 LLVM 底层的迁移，与此同时 AI 的“逆向”工作也开始进入大家视野。

借助一些架构优势，我们希望未来和 AI Native 的 Wireshark 场景一样，我们也希望 Yak 具备 Objdump 的分析能力，可以衍生出更适合 AI 原生使用的快速逆向和分析场景的专业工具。

在未来的版本中，这一定能实现的，你说对吧？

做点点活动：赛博鸡蛋+限免一周

为了让大家没有负担的继续多使用 Memfit AI，我们这次准备了大量赛博鸡蛋给大家抽奖：

1.30元额度 Memfit AI 兑换码；20 个

2.抽奖人数满 100 人，再送30元额度Memfit AI兑换码；20个

老规矩，还是评论区互动即可参与

参与时间：2026年10月30日18:00-2026年11月1日18:00

北京时间：2026.11.02-11.06，5个工作日

DeepSeek V4.1 Flash在Memfit AI 内免费使用

✨搞个大大大大大大大计划✨

不少工具的迭代，只是源于开发者的设想；而真正能打、好用的安全工具，永远生长在一线师傅的攻防实战之中。

Memfit AI 不愿只做单向输出功能的产品，更希望把一线师傅们的实战思路、踩坑经验、奇巧玩法沉淀下来，打造属于安全从业者的技术共创阵地，让每一份扎实的技术思考，被同路人看见、认可。

因此，我们正式发起 Memfit AI 技术共创计划✨

优秀共创作者将纳入 Yak 技术共建名单，获得官方曝光与模型内测技术交流机会及内部Token支持

我们不对稿件做过度内容改写，尊重你的技术表达，仅做格式校对。 不用追求文章有多华丽，真实的攻防思考、落地可行的方案，就是最有价值的内容。文章版权归原作者所有，收录共创专区仅做转载展示。

共创计划往↓↓↓投