当人工智能不再仅仅是被审计的对象，而是转变为漏洞发现的执行者时，企业安全团队面临一个根本性的范式转换。Anthropic 近期发布的研究显示，Claude Opus 4.6 在无需专用工具链支持的情况下，于经过多年模糊测试的代码仓库中发现了超过 500 个高危零日漏洞。这一能力突破不仅重新定义了漏洞发现的效率边界，更对现有安全运营体系提出了严峻挑战：传统以人为主导的漏洞管理流程，如何在 AI 驱动的大规模发现场景中保持有效性与可持续性。
LLM 漏洞发现能力的实证边界
理解这一风险的起点在于准确把握 LLM 在漏洞发现中的实际能力与局限性。Claude Opus 4.6 的测试方法值得深入分析：研究团队将模型置于虚拟计算环境中，赋予其标准工具集（包括调试器、模糊测试工具等），但未提供任何专门针对漏洞发现的提示工程或定制化脚手架。这种设置旨在测试模型的「开箱即用」能力，即其是否能够自主推理出有效的漏洞发现策略。
测试结果揭示了几个关键特征。首先是推理式发现能力：与依赖随机输入的传统模糊测试不同，Claude Opus 4.6 能够阅读代码、理解逻辑，并像人类研究员一样定位潜在缺陷。在 GhostScript 的案例中，模型通过分析 Git 提交历史，识别出某次安全修复相关的代码变更，进而推断出此处曾存在漏洞，并进一步搜索是否存在类似但未修复的代码路径，最终构造出可触发崩溃的概念验证代码。这种推理链条是传统自动化工具难以复制的。其次是对长期潜伏漏洞的发现能力：多个项目已运行模糊测试多年，累积数百万 CPU 小时的测试覆盖，但 Claude 仍能发现数十年未被发现的高危缺陷。这表明人类研究员的推理模式能够触及代码覆盖工具的盲区。第三是对特定漏洞类型的敏感性：研究聚焦于内存损坏类漏洞，因其可通过程序崩溃和地址 sanitizer 相对容易地验证。模型在 OpenSC 中发现了一处通过连续 strcat 调用导致的缓冲区溢出，在 CGIF 中则识别出一个基于 LZW 压缩算法特性可被利用的整数溢出。
然而，这些能力并非没有代价。研究团队必须对每一个报告的漏洞进行严格的人工验证，以排除模型幻觉造成的误报。随着发现数量的增长，Anthropic 引入了外部安全研究人员协助验证和补丁开发。这提示我们：LLM 的高发现率若缺乏有效的验证机制，反而可能对开源维护者造成过重的负担。
风险量化三要素模型
企业级安全运营的核心需求是将风险转化为可量化、可比较、可决策的指标体系。针对 LLM 驱动的漏洞发现场景，建议采用由三大要素构成的风险量化框架。
第一要素是漏洞发现率，即真实漏洞被成功检测的比例，计算公式为真阳性数量除以真阳性与假阴性之和。这一指标反映了检测能力的完备程度。根据行业实践，企业级安全团队通常将自主发现率目标设定在 90% 以上，即通过内部扫描发现的漏洞应占总量的绝大多数。LLM 的引入理论上可显著提升这一比例，但企业需建立基准测量：对比引入 LLM 前后的漏洞发现数量与类型分布，评估增量价值。同时需警惕「发现率谬误」—— 数量的增长未必代表风险降低，若大量增量来自低价值或误报，则可能徒增运营成本。
第二要素是误报率，即假警报占总告警的比例。在企业漏洞扫描实践中，目标通常将误报率控制在 0.5% 以下。LLM 的生成特性决定了其误报模式与传统基于规则的扫描器不同：模型可能基于不完整的代码上下文做出错误推断，生成看似合理但实际不存在的漏洞报告。高误报率不仅消耗安全团队的验证时间，更可能引发「狼来了」效应，导致分析师对后续告警的警觉性下降。缓解策略包括建立多阶段验证流程：第一阶段由 LLM 生成潜在发现，第二阶段使用静态分析工具进行交叉验证，第三阶段由人类专家进行最终确认。
第三要素是修复速度，常用平均修复时间（MTTR）衡量。传统行业标准对高危漏洞设定的修复窗口约为 90 天，而企业实践中的目标更为激进，部分组织将关键漏洞的 MTTR 目标压缩至 19 天以内。LLM 带来的发现速度提升是一把双刃剑：更多漏洞的快速发现意味着修复队列可能迅速积压。企业需要评估现有修复能力与预期发现增量的匹配程度，必要时提前规划资源扩容或引入自动化修复辅助工具。
工程集成路径
将 LLM 漏洞发现能力安全地集成到企业软件开发生命周期中，需要系统性的工程规划。首要考量是沙箱环境的设计。研究团队使用的虚拟机方法提供了参考：LLM 应在隔离环境中运行，仅能访问经过授权的代码仓库，且所有外部工具调用需经过审计日志记录。这既是防止模型滥用敏感代码资产的安全措施，也是应对合规审计的必要手段。
其次是工作流程的编排。推荐采用「人机协同」模式而非全自动化：LLM 负责初筛与推理，生成潜在漏洞列表与概念验证代码；人类安全工程师负责验证、优先级排序与修复决策。这种分工既保留了 LLM 的效率优势，又通过人类判断力控制质量风险。在持续集成流水线中，可将 LLM 扫描作为代码提交后的自动触发任务，生成结构化的安全报告并与工单系统对接。
第三是指标监控体系的建立。企业应追踪以下关键指标：每日 / 周 LLM 发现漏洞数量与严重等级分布、误报率随时间的演变趋势、从发现到验证的平均周期、验证通过漏洞的实际修复周期。这些数据不仅用于运营效能评估，更为安全投资决策提供依据 —— 例如，若 LLM 在特定代码类型（如加密实现、协议解析）表现出色，可考虑加大对该类代码的扫描覆盖；若在另一些领域持续产生高误报，则需评估是否应限制其应用范围。
披露窗口与行业协同
Anthropic 研究中一个常被忽视但影响深远的观察是：行业标准的 90 天漏洞披露窗口可能无法适应 LLM 驱动的发现速度。当 AI 模型能够在数小时内扫描大量代码并生成高质量漏洞报告时，数十天的响应窗口将成为瓶颈。这不仅对漏洞接收方（开源维护者或企业安全团队）构成压力，也可能催生不负责任的提前披露行为。
企业安全团队应当预见这一变化，并主动调整响应流程。短期策略包括建立 LLM 发现漏洞的快速响应通道，预先定义不同严重等级的响应时限；长期则需要参与行业对话，推动披露窗口的弹性化改革，或探索自动化补丁生成的可行性以缩短修复周期。
LLM 作为漏洞发现者的能力已经跨越了概念验证阶段，进入了规模化应用的前夜。对于企业安全团队而言，这意味着风险图景的根本性重塑。抓住这一窗口期，建立以量化指标为核心的风险管理框架，构建适应 AI 速度的工程响应体系，将是未来三至五年安全运营能力分化的关键分野。
资料来源：本文核心数据与案例参考 Anthropic 研究团队发布的技术报告《Evaluating and mitigating the growing risk of LLM-discovered 0-days》。