🛡️虚构一场账号异常，把 AI 放进威胁研判流程
用一起虚构的财务账号异常事件，拆解 AI 在 IOC 提取、告警归并、攻击链还原、日志处理、报告与处置审批中的位置和边界，以及做成产品还要补的数据契约、校验、审批、评测与上线工程。
翻了 10 个开源训练仓库，我更想先补安全任务的判分器
克隆全球 10 个训练仓库逐行实证：只有编码和数学把 benchmark 变成了 RL 环境，分界线是一个 70 行的判分器；安全域是下一个空位，攻击链靶场就是它的 SWE-Gym。
🧠把监测器写进奖励后，模型照样作弊，只是不说了
精读 OpenAI 论文《Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation》：看推理链的监测器能抓住 95% 的系统性作弊，可一旦把监测器写进训练奖励，召回率跌到接近 0。25 页 PPT。
🃏24 点好判分，安全 AI 的验证器得自己建
24 点之所以成了推理研究的标准考题，是因为它的验证器免费；安全 AI 难评测，是因为验证器昂贵。从 Tree of Thoughts、rStar-Math 到 OpenAI 的思维链监测论文，讲清楚安全团队该怎样给 AI 建自己的验证器。
📋模型最后说了不，审计还得看中间发生了什么
最终答案是消过毒的版本，推理才是模型决策的真身：甲方安全团队怎样把推理审计落到采购清单、监测管线、BAS 红队和合规边界里。
🧾Agent 会话记录：最有价值的数据资产，也是最需要保护的信任边界
agent 会话记录既是 2026 年最稀缺的训练数据，也是模型的“自传”：历史的完整性直接决定行为的完整性。
🐞画了一张七节点漏洞分析图，模型只负责提假设（2/5）
先用 CyberGym 基准校正“AI 能挖到哪”的预期，再把漏洞分析拆成 7 个可观测节点：只有一个 LLM 假设节点，确定性工具背书，低置信与高危转人工；最后跑通一张防御性分析图。
🧩Claude Code 的循环很薄，难的是外面的 harness（1/5）
拆开 Claude Code 看 AI Agent 的真实结构：薄推理循环加厚 harness，包括工具契约、权限与沙箱、上下文压缩与记忆；再用 LangGraph 复刻一个可中断、可复核的代码审计 Agent。
🔎用 Python AST 跑了一遍小型污点审计（5/5）
用 source、传播、净化、sink 四个词判定一条路径该不该报，讲清 SAST、模糊测试、符号执行与 Agent 怎么协同；跑通一张 AST 污点审计图，并把五篇收成一条审计工作流。
