G.O.S.S.I.P 阅读推荐 2026-08-28 CVE 仙人（工智能）
原创 G.O.S.S.I.P 2026-08-28 19:35 上海
能够复现实际的CVE的AI才是好AI
大家可能都听说过CyberGym，这个在2025年发布的漏洞数据集已经被很多人认为是“国际AI安全榜单”，因为大家都拿它来做测试（CVE版本的《5年高考3年模拟》），然后很快就被各种学霸们刷得差不多了：
而今天我们要介绍的这篇CCS 2026论文 CVE-Genie:An LLM-Based Multi-Agent Framework for Reproducing CVEs 则并没有去加入到CyberGym赛道，而是自己开辟了一条新赛道：用实际的CVE来测试Agent系统，看到底有多少CVE能被复现：
本文作者开发了CVE-Genie系统，这是一个全自动的多agent框架（嗯现在人人都这么说），它的主要功能从论文标题就能看出来，能够根据CVE报告来重现漏洞。我们都知道现在的CVE很多都是闪烁其词，你光从漏洞描述上完全看不出来什么细节。作者对CVE-Genie是这样描述的：Given a CVE entry as input, CVE-Genie gathers the relevant resources of the CVE, automatically reconstructs the vulnerable environment, and (re)produces a verifiable exploit，这听上去就非常的人工智能是不是，只要给一个CVE编号，AI就能从零帮你复现漏洞攻击，这简直是黑客的美梦啊。
为了更为科学地评估AI的漏洞利用能力，作者在本文中首先引入了一个叫做EAGER的概念——其实是五个维度上的能力评估指标（下图）：生成exploit的能力、验证exploit的能力，适应不同编程语言和漏洞类型的泛化能力、漏洞分析全过程的自动化能力、构建漏洞利用环境的能力。
作者表示，除了CVE-Genie系统，现有的工具在EAGER五维指标上都不是很行（当然这里缺乏了和其他一些AI系统的比较）：
CVE-Genie系统的设计从整体上来说遵循三个重要的基本原则：
把整个漏洞分析利用和复现流程人为地拆分成不同的阶段，让LLMs分别去处理，杜绝那种让AI从头到尾自己做决策自己迭代的设计思路（虽然现在大家都觉得人不如AI聪明）；
要求AI去主动寻找相关代码、补丁，确保能够精确的定位到分析对象以后再开展分析，不要在没有代码的情况下瞎猜；
对生成的exploit进行严格的验证，同时给每个环节都设计了一对agents（developer和critic）来进行“AI内卷”。
为了展示CVE-Genie系统的工作流程，作者基于CVE-2024-4340这个实际的例子来进行说明（嗯，经典的论文写作模式）。CVE-2024-4340 是一个与 Python 库 sqlparse 相关的漏洞，安全问题在于向 sqlparse.parse() 方法传递一个高度嵌套的列表时会导致递归深度超限，最终引发 Denial of Service 攻击。下面这个图是整体的流程，看起来不清楚，让我们把细节拆出来逐一介绍。
在实际的分析中，CVE-Genie系统使用的第一个组件叫做Processor，它包含了两个子模块，第一个子模块Data Processor会去收集和具体的CVE相关的描述信息和代码信息，而第二个子模块Knowledge Builder则是用来处理第一个子模块收集到的信息，对其进行整理，形成统一结构的知识（我们知道CVE的描述很多都是乱七八糟的）。
有了这些知识，CVE-Genie系统的第二个组件——Builder就要为漏洞构建一个运行环境来进行分析，这个组件包含了三个agent：Prerequisite Developer Agent、Setup Developer Agent和Setup Critic Agent，前两个agent负责干活（第一个agent分析代码，第二个agent根据分析结果来构建运行环境），最后一个agent负责“监工”：检查前面生成的环境是否满足项目的运行要求，而且会两个agent有没有作弊（比如虚假生成了一个不能用的环境）。
CVE-Genie系统的第三个组件叫做Exploiter，顾名思义就是生成exploit的组件了，这里面同样使用了两个agent：Exploit Developer Agent和Exploit Critic Agent，也是一个干活一个监工。注意，这里的监工并不是验证exploit是否真的触发了漏洞，只是验证它能否执行。
CVE-Genie系统的第四个组件让许多CTFer心酸，它的名字就叫CTF Verifier，它的工作是对Exploiter生成的exploit进行真正的验证，确认它能否触发漏洞。而这个验证的过程就采用了CTF机制：把漏洞利用转换成了一个“只有利用成功才能访问到特定的flag”的过程，然后看exploit能否获取到这个flag，是不是很有趣，这个“命题”的过程也是由一个Verifier Developer Agent来执行的。然后CTF Verifier使用一个Flag Checker子模块去检查AI的答题是否正确。当然这里还是少不了监工的存在~
作者并没有用其他的漏洞数据集来评估CVE-Genie，而是直接建立了一个包含841个CVE的数据集，这些CVE漏洞覆盖了186类CWE和29种不同的编程语言，关联了了440个开源项目。经过验证，最后CVE-Genie系统完成了428个CVE的复现。下图展示了CVE-Genie系统除了成功利用之外，遇到的各种问题的数量：
很有意思的是，这篇论文是在Anthropic推出Glasswing计划之前完成的（2025年初），作者评估的模型都是一些比较“老旧”的模型，不知道换成了最新的模型情况会怎么样？
但是（划重点）作者给出了完整的开源代码，大家完全可以把它接入最新的LLMs来看看威力如何？
论文：https://seclab.bu.edu/people/gianluca/papers/cvegenie-ccs2026.pdf
加长版：https://arxiv.org/pdf/2509.01835
数据集：https://osf.io/dcej4/overview