目录

• 大赛背景与基本介绍

• 参赛队伍全景分析
• 长亭外 - 冠军团队
• 西安交通大学 - 亚军团队
• BinX (广州大学) - 季军团队
• Antix (成信大) - 第四名
• 第五名队伍信息缺失说明
• NeuroSploit (清华联合) - 第六名
• 绿盟 - 第七名
• 香港城市大学 - 第八名
• yhy0 - 第九名

• 核心术语表

• 技术路线深度对比

• 核心问题解决方案对比

• 九大战队技术方案全景对比表

• 综合分析与总结

• 未来趋势与建议

大赛背景与基本介绍

大赛概况

• 探索AI在自动化渗透测试中的实际能力边界

• 对比不同AI架构和安全策略的实战效果

• 推动AI技术在网络安全领域的工程化落地

赛题设置分析

• 题目总数: 104道网络安全挑战题

• 难度分布:
• 简单: 45题 (43.3%)
• 中等: 51题 (49.0%)
• 困难: 8题 (7.7%)

• 高频漏洞: XSS、默认凭证、IDOR、权限提升

• 中频漏洞: SSTI、命令注入、SQL注入

• 低频但高危: 反序列化、代码执行、文件包含

XBOW数据集分析（实际比赛数据）

• 将所有环境中涉及到的漏洞映射到OWASP TOP 10上

• 注入漏洞（A01）以59次位居第一，占比最高

• 访问控制漏洞（A02）29次，位列第二

• 不安全的反序列化（A03）18次，排名第三

实战洞察： 注入类漏洞和访问控制类漏洞占据了近60%的比例，这是AI渗透测试需要重点攻克的领域。

现有AI评估工具对比

• RAVEN: NYU CTF基准准确率22%，测试范围局限

• CTFKnow: InterCode - CTF提升85%，基于1084个Whitepaper

• Cybench: 最大成功率89.4%，上下文129k tokens

• CABench: 提高CTF成功率67-75%，样本量>20,000

• CAI: 收敛速度提升197-900%，但存在实验偏差

• Automation Gap: 基于CAI 2026，分析视角局限

自动化渗透测试的六阶段演进

TOKEN消耗与成本分析

1. 难题成本暴增 - 工具调用失败、意图偏离会导致成本指数级上升

2. 模型选择影响 - DeepSeek性价比最优，Kimi在攻坚难题上有优势

3. 优化方向 - 减少无效轮次、优化上下文压缩、精准工具调用

参赛队伍全景分析

重要说明： 各战队报告内容多为未来规划和预期，并不代表其当前的完整能力水平

长亭外 - 冠军团队 (NO.1)

冠军成就

第三名和冠军、亚军差距较大

• 平均每支队伍花费约 30,000元

• 在高成本下获得最高回报

• 证明了”高投入高产出”策略的有效性

核心创新：MPI (Model Programming Interface)

核心范式：编程而非提示 (Programming not Prompting)

实现对比

执行与暂停机制

DSPy框架理念

• 自动化优化Prompt（无需手动调参）

• 程序化定义LLM调用流程

• 类型化的输入输出保证

“让AI自己写Prompt，而不是人类猜测”

• 优点: 简单易上手

• 缺点: 不稳定、难以调试、难以维护、难以扩展

• 优点: 稳定、易调试、易维护、易扩展

• 缺点: 需要编程基础

成功因素分析

1. 技术理念的先进性 ✅
• “Programming not Prompting”是正确的方向
• 代码比自然语言精确、稳定、易维护

2. 工程化的完整性 ✅
• 完整的实现框架
• 成熟的DSPy库
• 可落地的方案

3. 团队的专业深度 ✅
• 西交博士团队：深厚的理论功底、丰富的工程经验

4. 高投入的有效利用 ✅
• 3万元/队的成本：不是浪费，是投资
• 用在了刀刃上，获得了最高回报

可借鉴之处

1. 代码优于提示 ⭐⭐⭐⭐⭐ - 这是明确的方向

2. 执行暂停机制 ⭐⭐⭐⭐⭐ - 精确的流程控制

3. 工程化思维 ⭐⭐⭐⭐⭐ - 完整的框架，可落地

4. DSPy框架 ⭐⭐⭐⭐⭐ - 值得深入研究，可直接使用

西安交通大学 - 亚军团队 (NO.2)

亚军成就

• 仅次于长亭外

• 明显领先第三名

• 展现了强大的综合实力

核心创新：分布式集群架构

Master-Worker模式

• CPU限制、内存限制、网络带宽限制、算力瓶颈

优势分析

1. 水平扩展能力 - 需要更多算力？增加Worker节点即可

2. 高可用性 - 某个Worker故障？其他Worker继续工作

3. 负载均衡 - Master智能分配，避免某个Worker过载

4. 任务解耦 - 任务管理与执行分离，各自独立优化

核心创新：XML强类型协议

为什么用XML？

• 特殊字符需要转义

• 嵌套结构容易混乱

• 类型不明确

• ✅ 特殊字符无需转义

• ✅ 结构清晰

• ✅ 强类型约束

• ✅ 完美解决Payload冲突

• ⚠️ 文件体积更大（Token消耗增加 20-30%）

• ⚠️ 解析速度略慢于JSON

• ⚠️ 现代工具链对JSON支持更好

通信流程

核心创新：三阶段流水线

阶段1: 页面探索 (Page Exploration)

• 爬取网站结构

• 识别所有URL

• 分析页面类型

• 提取表单和参数

阶段2: 场景塑造 (Scene Modeling)

• 分析业务逻辑

• 识别数据流

• 构建攻击图

• 规划攻击路径

阶段3: 漏洞检测 (Vulnerability Detection)

• 发送攻击请求

• 分析响应

• 验证漏洞存在

• 获取Flag

1. 标准化流程 - 每个阶段职责明确

2. 可复用性 - 每个阶段可独立优化

3. 可扩展性 - 容易添加新阶段

核心创新：底层工具封装

urllib底层库

• requests: 自动编码可能干扰攻击流量、自动处理可能改变Payload、不可控的自动重定向

• urllib: 完全控制请求、精确构造攻击流量、避免自动干扰

复杂编码模板

• 避免自动编码干扰

• 精确控制攻击流量

• 提升攻击成功率

排名分析

优势 ✅

1. 分布式架构 - 算力强大、可扩展性好、适合大规模任务

2. 工程化完善 - XML协议稳定、流水线清晰、工具封装专业

3. 技术深度 - 底层控制精确、避免自动干扰、攻击质量高

劣势 ⚠️

1. 复杂度高 - 分布式架构难以维护、XML协议学习成本高

2. 灵活性不足 - 标准化流程可能不够灵活、难以应对未知场景

3. 与冠军的差距 - 长亭的”代码规划”更精确、控制粒度更细、DSPy框架更先进

vs 长亭外（冠军）对比

1. 代码规划的精确性 - Python更灵活、更直观

2. 流水线 vs 代码生成 - 代码生成更动态

3. 分布式 vs 单机高性能 - CTF场景下单机足够，精确控制更重要

适用场景

• 大规模渗透测试（需要同时测试大量目标）

• 企业级SaaS平台（需要高可用性、水平扩展）

• 长期运营项目（复杂架构的维护成本可以接受）

• 小型CTF比赛（分布式架构用不上，单机足够）

• 快速原型开发（学习曲线陡峭、开发周期长）

• 成本敏感场景（需要多台服务器、维护成本高）

可借鉴之处

1. 分布式架构思想 ⭐⭐⭐⭐⭐ - 任务管理与执行解耦、水平扩展能力

2. XML强类型协议 ⭐⭐⭐⭐ - 解决Payload冲突、类型安全

3. 三阶段流水线 ⭐⭐⭐⭐⭐ - 标准化流程、可复用设计

4. 底层工具封装 ⭐⭐⭐⭐ - 精确控制攻击流量、提升攻击质量

BinX (广州大学) - 季军团队 (NO.3)

面临的三大核心问题

01 环境复杂性导致感知状态失真 (Status Distortion)

• 长周期任务导致上下文遗失

• 复杂环境造成状态错判

• 无效噪音淹没关键攻击信号

• 行动历史无法长期追踪

#模型不知道自己是谁、在哪里、做过什么#

02 环境弱反馈导致探索效率极低 (Low Efficiency)

• 有效信号极度稀缺

• 中间反馈高度模糊甚至误导

• 巨大搜索空间导致”盲试”

#模型像在迷雾中摸索，没有线索指引，只能盲目尝试#

03 结构认知局限导致决策不可靠 (Unreliable Decision-Making)

• 领域幻觉，错误归因

• 推理链脆弱、易中断

• 策略固化与缺乏灵活性

#模型能说但不能推理、能生成但不能反思、能模仿但缺乏创造性策略#

核心解决方案

解决方案01: Sandbox Cleaning (沙箱清洗)

#核心理念:## “只看结果，不看过程噪音”#

1. 隔离沙箱预处理 - 工具的原始海量输出先进入隔离沙箱

2. 关键结论提取 - 只将清洗后的关键结论回传给Agent

3. 效果 - 彻底根治上下文污染、大幅减少Token浪费

• 降低上下文压力

• 提高决策质量

• 减少成本消耗

解决方案02: Python Meta-Tooling (元工具编排)

#核心理念:## “用代码执行替代对话空转”#

1. 赋予Agent编程能力 - Agent可以编写Python代码

2. 控制流转化 - 将”多轮对话模拟控制流”转化为”沙箱代码执行流”

3. 复杂逻辑自闭环 - 实现复杂逻辑的瞬间自闭环

• 执行效率大幅提升

• 减少对话轮次

• 更精确的逻辑控制

解决方案03: Agent Pattern Graph (APG/意图图谱)

#核心理念:## “给AI装上专家的脑回路”#

1. 声明式图结构 - 采用YAML格式

2. 标准作业程序(SOP) - 将专业攻防流程编码化

3. 效果 - 消除推理幻觉、避免盲目试探、规范化攻击流程

架构亮点：会思考的”三人特种小队”

1. 大脑规划层

2. 手脚执行层

3. 事后复盘层

1. 任务图 - 把流程理顺，支持多任务并行，前面挂了能自动熔断

2. 因果图 - 把逻辑搞对，不靠概率瞎蒙，像做实验一样拿证据说话

排名分析

1. 系统化的方法论 - 三大问题识别清晰

2. 创新的解决方案 - 沙箱清洗、元工具编排、意图图谱

3. 工程化的架构 - 三层分工明确

4. 理论与实践结合 - 既有深度思考又有落地实现

• 可能在执行效率上略逊一筹

• 成本控制可能不是最优

• 但整体架构设计极具参考价值

可借鉴之处

1. 问题驱动的设计 - 清晰识别核心问题是第一步

2. 多层架构的价值 - 分工明确比单打独斗更有效

3. 噪音处理的重要性 - 沙箱清洗是值得学习的思路

4. 代码优于对话 - 用代码实现逻辑比多轮对话更高效

Antix (成信大) - 第四名

核心理念：极简主义

让AI直接生成意图和执行代码 上下文干净噪音少 效率高

• Agent本身代码仅 100-200行

• 被称为”Baby Runtime”

• 极致精简，功能强大

核心解决方案：Meta-Tooling (元工具模式)

单一接口原则

代码即行动

• ✅ 组合工具 - 脚本可以同时调用多个工具

• ✅ 处理数据逻辑 - 复杂的数据处理在代码中完成

• ✅ 现场写Exploit - 遇到新漏洞可以立即编写利用代码

• ✅ 无限灵活性 - 不受预定义工具集限制

Antix沙盒 (Antix Sandbox)

定制化的Ubuntu Docker

• sqlmap - SQL注入自动化

• CAIDO - 流量代理与分析

• 其他常用渗透工具

• 虽然是给AI用的，但人类可以通过VNC实时连接进去

• “看着”AI操作终端和浏览器

• 实现很好的”人机对齐”

执行层：Stateful Jupyter Kernel

会话持久化机制

• ✅ 完美解决Cookie和登录态保持

• ✅ 变量在多轮对话中持久存在

• ✅ 符合编程逻辑，更自然

• ⚠️ Kernel崩溃导致状态丢失 → 定期checkpoint到磁盘

• ⚠️ 内存泄漏长期运行 → 每50轮自动重启Kernel

• ⚠️ 并发冲突 → 单会话串行化

Agent层：极简逻辑

• Agent本身代码仅 100-200行

• 称为”Baby Runtime”

• 核心逻辑极其简单

• 没有预设的主动扫描SOP

• 完全依赖LLM阅读环境文档后自主决策

核心优点分析

1. 极高的灵活性 (Infinite Flexibility via Code)

• 应对未知复杂场景的能力极强

• 不受工具集限制

• 无限扩展可能

2. 真正的状态保持 (Stateful Interaction)

• 更高效、更符合编程逻辑的做法

• 变量停留在内存中

3. 零调优的通用性 (Generalization)

• 只给Agent一份”说明书”（200多行Prompt）

• 让AI像人类研究员一样思考和尝试

• 证明了在未知目标上的实战潜力

4. 清晰的可观测性 (Observability)

• 解决了”AI到底在干什么”的黑盒问题

• 人类可随时介入或复盘

5. 架构解耦 (Decoupled Architecture)

• 可随意升级大脑或手脚，互不影响

成本与效果分析

• 在所有战队中属于中等偏高水平

• 主要因为使用Kimi消耗较高

• 但换用DeepSeek后成本会大幅降低

可借鉴之处

1. Meta-Tooling模式 ⭐⭐⭐⭐⭐ - 创新的工具调用方式，极大提升灵活性

2. Jupyter Kernel状态管理 ⭐⭐⭐⭐⭐ - 优雅的状态保持方案，解决Agent一大痛点

3. 极简设计理念 ⭐⭐⭐⭐ - “简单就是最好的”，避免过度工程化

4. 人类可视化 ⭐⭐⭐⭐ - VNC+流量代理解决AI黑盒问题

NeuroSploit (清华联合) - 第六名

团队背景

• 清华大学 - 核心算法与架构设计

• 东南大学 - 工程实现与优化

• 国防科技大学 - 安全领域专业知识

• 清华的AI技术积累

• 东南的工程化能力

• 国科大的安全专业背景

架构设计

架构01: 层级化多智能体 (Hierarchical Agents)

• 统筹全局

• 分析目标环境、制定攻击策略

• 分配任务给Sub-Agents、协调各Sub-Agent工作

• Recon Sub-Agent（侦察兵） - 负责信息收集、端口扫描、目录枚举

• Exploit Sub-Agent（突击兵） - 负责漏洞利用、执行攻击代码、获取Shell

• 专精Sub-Agents（专家兵）
• XSS Sub-Agent - 专注跨站脚本攻击
• IDOR Sub-Agent - 专注不安全的直接对象引用
• SSTI Sub-Agent - 专注服务器端模板注入
• RCE Sub-Agent - 专注远程代码执行
• SQLi Sub-Agent - 专注SQL注入

架构02: 知识与军火双引擎 (Dual Engines)

• 作用: 指导战术

• 内容: 安全知识、攻击方法、漏洞原理

• 形式: 结构化的安全知识

• 作用: 提供弹药

• 内容: 50+个现成的Payload模板

• 形式: 可直接使用的攻击代码

架构03: MCP工具矩阵 (MCP Tool Matrix)

• Nuclei - 漏洞扫描

• Xray - 被动扫描

• Playwright - 浏览器自动化

• Nmap - 端口扫描

• Sqlmap - SQL注入

• 参数化控制

• 统一接口

• 易于维护

• Agent更容易理解

架构04: 状态与记忆闭环 (Loop Management)

核心优点

1. 具备”自进化”能力 (Self-Evolution) ⭐⭐⭐⭐⭐

2. 专家级深度 (Deep Specialization) ⭐⭐⭐⭐⭐

3. 有理有据的攻击 (Reasoned Attacks) ⭐⭐⭐⭐

4. 白盒化可控 (Controllability) ⭐⭐⭐⭐

排名分析

1. 架构复杂度高 - 理论上非常先进，但工程实现难度大，可能出现各种bug

2. 启动成本高 - 需要积累足够经验才强大，比赛时间有限

3. 专门化的局限 - 在已知漏洞类型上很强，但遇到全新类型可能不如通用方案

可借鉴之处

1. 层级化多智能体架构 ⭐⭐⭐⭐⭐ - 明确的分工协作，专业分工提升效率

2. 知识军火库 ⭐⭐⭐⭐⭐ - Payload模板化管理，知识库系统化

3. ReMem自进化机制 ⭐⭐⭐⭐⭐ - 经验积累和复用，系统越用越强

4. 可视化监控 ⭐⭐⭐⭐ - 解决AI黑盒问题，提升可信度

绿盟 - 第七名

架构突破：蜂群并行与静默协作

核心理念：轻量级蜂群架构 (Lightweight Swarm)

架构特性详解

• 每个Agent独立运作

• 不依赖集中式协调

• 避免单点故障，提高整体容错性

• 每个Agent拥有独立的上下文空间

• 可以同时探测多个目标

• 上下文互不干扰

• Agent之间直接对话

• 导致高额Token消耗

• 容易产生上下文污染

• ✅ 避免直接对话带来的高额Token消耗

• ✅ 打破信息孤岛

• ✅ 实现低成本的高效协同

• ✅ 非阻塞式通信

工程调优：三大纠偏机制

纠偏机制01: 防降智

纠偏机制02: 防沉迷

• 监控工具调用模式

• 识别重复性调用

• Hook机制强制打断

• 重新评估策略

纠偏机制03: 防依赖

• 共享笔记中可能包含错误信息

• Agent可能过度依赖旧经验

• 需要定期”遗忘”

异构模型组合策略

• 主力模型: DeepSeek - 常规任务，性价比高

• 攻坚模型: Kimi - 困难问题，在解决困难问题上效果更好

• 优先使用DeepSeek（便宜）

• 遇到难题切换Kimi（强力）

• 根据题目难度动态调整

成本分析

• 绿盟: 13元/题 ← 性价比优秀

1. 共享笔记本减少对话消耗

2. 纠偏机制减少无效尝试

3. 异构模型优化资源配置

4. 轻量级架构降低开销

排名分析

1. 架构创新但执行有难度 - 蜂群架构理念很好，但工程实现复杂度较高

2. 成本控制优秀但效果一般 - 13元/题的成本很优秀，但解题数量可能不是最多

3. 共享笔记的双刃剑 - 减少了对话消耗，但可能也减少了一些有益的信息交流

可借鉴之处

1. 共享笔记模式 ⭐⭐⭐⭐⭐ - 创新的协作模式，值得进一步优化

2. 三大纠偏机制 ⭐⭐⭐⭐⭐ - 系统化的问题识别，实用的解决方案

3. 异构模型组合 ⭐⭐⭐⭐ - 平衡性能与成本，实战效果显著

4. 轻量级设计理念 ⭐⭐⭐⭐ - 避免过度复杂化，保持系统灵活性

香港城市大学 - 第八名

核心痛点识别

痛点1: LLM的不稳定性 (Instability)

• 陷入死循环

• 产生幻觉

• 在错误思路上”钻牛角尖”

痛点2: 上下文跟踪困难 (Context Loss)

痛点3: 非对称问题导致效率低下 (Inefficiency)

痛点4: 工具调用的资源浪费

调度模块 (Scheduling Module)

多级队列机制

亮点设计：提示词注入 (Hint Injection) ⭐

• 打破AI的思维僵局

• 提供关键线索

• 避免无谓的重复尝试

赛马机制 (Agent Racing)

排名分析

优势 ✅

1. 多级队列设计 - 合理的资源分配，Hint Injection是亮点

2. 赛马机制 - 并行解题思路好，多样化温度设置

3. 共享记忆 - 避免重复劳动，Agent间信息共享

劣势 ⚠️

1. 赛马机制成本高 - 5个Agent同时跑，Token消耗巨大

2. 队列降级可能浪费时间 - 在Queue 1浪费30步，再在Queue 2浪费50步

3. 没有根本解决Agent能力问题 - 温度调整只是改变多样性，不提升Agent真实能力

可借鉴之处

1. Hint Injection ⭐⭐⭐⭐⭐ - 非常实用的创新，可以直接应用

2. 多级队列 ⭐⭐⭐⭐ - 资源分配思路好，可优化调整

3. 持久化共享记忆 ⭐⭐⭐⭐⭐ - 避免重复劳动，Agent接力解题

4. 赛马机制 ⭐⭐⭐ - 并行思路好，但成本考虑

yhy0 - 第九名

核心创新：顾问介入机制

设计理念

从不盲信LLM的回答

• 引入”顾问Agent”

• 在关键时刻介入

• 提供专业建议

四种触发机制

触发1: 任务开始时

触发2: 连续失败时

• 3次失败：轻度提醒

• 6次失败：中度建议

• 9次失败：强力干预

触发3: 定期咨询

触发4: 主动求助

设计特点

1. 顾问Agent设计

• 从不盲信LLM - 批判性思维

• 极简的工具设计 - 直接用Kali工具

• 把主动权交给LLM - 让它自己规划

• 兜底策略 - 关键时刻救回多道题

2. 极简工具设计

3. 把主动权交给LLM

当前问题

主Agent的Prompt混杂太多

• 解题策略

• Python规范

• Docker用法

• 漏洞知识

• 认知负担过重

• 出现Python代码格式错误

• 工具误用

• 漏洞判断失误

“冲刺策略、消耗大、效果差”

实际成果

• 解出题目：73道

• 总消耗：1000元

• 平均每题：13.7元

• 使用模型：全部DeepSeek

成本分析

• 成本：13.7元/题（中游水平）

• 比绿盟（13元）略高

• 比Antix（19.2元）低

• 性价比不错

未来规划

主Agent只负责规划

按需加载知识

可借鉴之处

1. 顾问介入机制 ⭐⭐⭐⭐⭐ - 创新的兜底策略，可直接应用到其他系统

2. 极简工具设计 ⭐⭐⭐⭐ - 避免过度封装，降低上下文干扰

3. 按需知识加载 ⭐⭐⭐⭐⭐ - 参考Claude Code Skills，避免Prompt爆炸

4. 子Agent分工 ⭐⭐⭐⭐ - 规划与执行分离，降低认知负担

核心术语表

重要说明： MPI本文档中的定义不同于传统并行计算中的MPI（Message Passing Interface，消息传递接口）

技术路线深度对比

路线1: Prompt Engineering (提示词工程) ⚠️

• ⚠️ 稳定性依赖模型能力

• ⚠️ 复杂逻辑难以精确表达

• ⚠️ 维护成本高

• ⚠️ 长上下文性能下降

在复杂任务中已被代码规划超越，但在简单场景仍有效

适合场景： 快速原型开发、简单任务 不适合场景： 生产环境、复杂自动化流程

路线2: Code Planning (代码规划) ✅

• 🥇 长亭外（MPI/DSPy）

• 🥈 西安交大（XML协议）

• 🥉 BinX（元工具编排）

用代码/协议替代Prompt进行规划和控制

• ✅ 精确性

• ✅ 稳定性

• ✅ 可维护性

• ✅ 可扩展性

代码规划是明确的主流方向

路线3: Meta-Tooling (元工具模式) ✅

不调用工具，而是让AI写代码调用工具

• ✅ 极高灵活性

• ✅ 无限扩展性

• ✅ 状态保持（Jupyter）

• ✅ 极简架构

极简主义的价值体现，通用性强

路线4: Hierarchical Multi-Agent (层级化多智能体) ✅

• NeuroSploit（清华）

• BinX（三人小队）

• yhy0（规划执行分离）

分工协作，专业分工

• ✅ 专业分工

• ✅ 提升效率

• ✅ 降低单Agent复杂度

多Agent是主流方向，但实现方式各异

路线5: Swarm Intelligence (蜂群智能) ✅

多个轻量Agent并行协作，共享笔记

• 多Agent单兵作战

• 独立上下文

• 共享笔记本（异步通信）

• ✅ 高并发

• ✅ 低成本（13元/题）

• ✅ 信息共享

轻量级蜂群是高性价比方案

路线6: Distributed Architecture (分布式架构) ✅

Master-Worker模式，任务管理解耦

• Master节点：任务调度

• Worker节点：执行渗透

• XML协议：标准通信

• ✅ 水平扩展

• ✅ 高可用

• ✅ 负载均衡

企业级应用的必备架构

九大战队技术方案全景对比表

综合对比表（基于原始XBow笔记扩展）

核心洞察总结（综合原始笔记）

1. 技术路径分野：Prompting vs Programming

• Prompting（提示词工程） ：通过精心设计的提示词控制AI（已被淘汰）

• Programming（代码规划） ：用代码/协议显式定义业务逻辑（主流趋势）

• 长亭外、西安交大等前列战队都采用代码规划

• 代码规划在精确性、稳定性、可维护性上全面超越提示词工程

2. 模型能力是决定性因素

• 所有成功方案都依赖强大的底层LLM

• DeepSeek：性价比最优，适合常规任务

• Kimi：在攻坚难题上有优势

• Claude Code：在代码生成上表现出色

AI渗透的上限由底层模型能力决定，架构设计决定了能多大程度发挥模型能力

3. 务实与前瞻的平衡

• 务实战队（如Antix）：在现有模型能力下用最简单方法解决问题

• 前瞻战队（如长亭外、NeuroSploit）：探索应对真实世界中复杂、非收敛的渗透空间

核心问题解决方案对比

问题1: 上下文污染与Token浪费

• BinX的沙箱清洗最彻底

• Antix的Jupyter状态最优雅

• 两者结合效果最佳

问题2: Agent逻辑跑偏

• BinX的意图图谱最系统

• 绿盟的纠偏机制最实用

• yhy0的顾问机制最创新

问题3: 工具调用低效

• Antix的单一接口最简洁

• 长亭外的代码调用最精确

• 都值得学习

问题4: 经验无法积累

• NeuroSploit的ReMem最完整

• 唯一真正”自进化”的方案

问题5: 状态保持困难

• Antix的Jupyter Kernel是最佳实践

• 天然的状态保持，优雅高效

综合分析与总结

📊 一、核心结论

结论1: AI渗透已进化为”自动化编程与执行系统”

2025年的AI渗透实战已经脱离了”聊天机器人”的范畴进化为”基于MCP协议的自动化编程与执行系统”

• ✅ 长亭外：MPI（Model Programming Interface）

• ✅ Antix：Meta-Tooling + Python执行

• ✅ BinX：Python Meta-Tooling

• ✅ NeuroSploit：MCP工具矩阵

• ✅ 西交：XML协议 + 编码控制

结论2: 获胜关键 - 平衡”拒绝过度封装”与”结构化思考”

像长亭那样：用严谨的工程代码规划路径

• 精确控制

• 稳定可靠

• 易于维护

• 适合工程化

像Antix那样：赋予AI直接操作Shell的自由度

• 极高灵活性

• 无限扩展性

• 零调优通用性

• 应对未知场景

最佳实践：融合两者

结论4: 底层模型能力决定上限

• 冠军长亭外使用Claude获得最佳效果

• Antix使用Kimi在攻坚难题上表现突出

• 绿盟、yhy0全用DeepSeek实现高性价比

AI渗透的上限由底层模型能力决定 架构设计决定了能多大程度发挥模型能力 不同模型适合不同场景，需根据任务特点选择

结论3: CTF场景 vs 实战场景

对于单点CTF比赛、明确渗透目标：

✅ 最前沿的AI和Agent框架已有能力解决大部分问题 ✅ 未解决的可通过增加能力覆盖度、知识覆盖度解决

• 长亭外、西交、BinX等都能解决70+道题

• 在已知漏洞类型上成功率极高

• 成本可控制在20元/题以内

但对于实际AI渗透赋能：

⚠️ 仍需攻破不少难关 ⚠️ 工程化是未来主要要攻克的目标

• 任务调度

• 会话隔离

• 并发控制

• 漏报/误报处理

• 漏测检测

• 召回率优化

• SaaS产品化

• 多租户管理

• 权限控制

• 审计日志

🏆 二、战队排名与分析

完整排名表

成本数据说明： N/A表示数据未公开或无法计算。西安交大的”约1000+元/天”为训练阶段成本，不代表单题成本。

排名规律分析

冠军亚军的共性

• ✅ 都强调”代码/协议”优于Prompt

• ✅ 都有完整的工程化框架

• ✅ 都是博士团队，技术深厚

• ✅ 都有明确的标准化流程

代码规划 + 工程化 = 冠军相

前四名的共性

• ✅ 都在用”代码”替代”Prompt”

• ✅ 都有明确的技术路线

• ✅ 都解决了核心痛点

代码化是主流趋势

成本与排名的关系

• 最低成本 ≠ 最高排名

• 冠军愿意为效果投入

• 性价比和效果需要平衡

🚀 三、未来趋势与建议

趋势1: 从Prompt到Code（已验证）✅

✅ 代码规划是明确趋势，不是实验

1. 学习DSPy框架

2. 研究MPI模式

3. 实践代码生成

趋势2: 从单体到分层（已验证）✅

✅ 多Agent分工是主流，单Agent已淘汰

1. 设计清晰的Agent分工

2. 建立标准化通信协议

3. 实现可视化监控

趋势3: 从无状态到有状态（进行中）⚠️

⚠️ Jupyter Kernel是最佳实践，但未普及

1. 采用Jupyter Kernel

2. 实现持久化记忆

3. 建立ReMem机制

趋势4: 从黑盒到白盒（进行中）⚠️

⚠️ 可观测性是工程化必备

1. 实现可视化监控

2. 建立审计日志

3. 支持人类介入

趋势5: 从实验到产品（待突破）❌

❌ 工程化是最大挑战，尚未突破

1. 解决任务调度

2. 实现会话隔离

3. 优化并发控制

4. 处理漏报误报

5. 提升召回率

6. 实现SaaS化

🎯 五、最终评价

大赛价值

• 代码规划 > Prompt工程

• 多Agent > 单Agent

• 工程化 > 概念化

• Meta-Tooling（Antix）

• 意图图谱（BinX）

• ReMem自进化（NeuroSploit）

• 顾问介入（yhy0）

• CTF场景基本解决

• 实战工程化待突破

• SaaS产品化是未来

• 长亭外 - 证明了代码规划的价值

• 西安交大 - 展示了分布式架构的力量

• BinX - 系统化的方法论

• Antix - 极简主义的智慧

• NeuroSploit - 自进化的创新

• 绿盟 - 蜂群架构的实践

• 香港城市大学 - Hint Injection的巧思

• yhy0 - 顾问机制的兜底策略

• 所有战队 - 共同推动技术进步