在现代 AI 驱动安全工具的演进中，如何在保持高漏洞发现率的同时有效控制误报（False Positives），一直是工程实践的核心挑战。Shannon 作为一款完全自主的 AI 渗透测试工具，其核心设计理念之一便是通过确定性状态机（Deterministic State Machine）来约束 AI Agent 的行为边界，确保只有经过严格验证的漏洞才会被纳入最终报告。本文将深入分析 Shannon 状态机的误报控制实现机制，探讨其状态转换规则、证据链追踪逻辑以及决策阈值调优的工程实践。
状态机架构：从概念到工程实现
Shannon 的架构并非简单的线性流程，而是一个高度结构化的多阶段状态机。该工具使用 Anthropic 的 Claude Agent SDK 作为核心推理引擎，结合 Temporal 工作流引擎来管理状态转换。这种设计将 Pentesting 过程分解为四个确定性阶段：侦察（Reconnaissance）、漏洞分析（Vulnerability Analysis）、利用（Exploitation）和报告（Reporting）。每个阶段都有明确的输入输出定义和转换条件，从而避免了传统 AI Agent 可能出现的 “幻觉” 或 “迷失” 行为。
在工程实现层面，Shannon 利用 Temporal 框架记录每一次函数调用、状态变更以及外部工具交互。这种事件驱动的事件日志（Event Log）不仅保证了工作流的确定性执行（Deterministic Execution），还为后续的审计和回放提供了基础。当某个 Agent 在漏洞分析阶段陷入死循环或偏离目标时，Orchestrator 可以根据记录的状态信息进行干预或重置，从而维持整个系统的可控性。
状态转换的核心规则由以下逻辑驱动：
- 侦察阶段：Agent 需完成对目标应用攻击面的全面映射，包括代码结构分析、API 端点识别以及认证机制的探测。只有当侦察 Agent 输出了符合预期的 “资产清单” 时，工作流才会推进到下一阶段。
- 漏洞分析阶段：针对识别出的资产，专门的 Agent 并行进行数据流分析（Data Flow Analysis），生成潜在漏洞的 “假设路径”（Hypothesized Exploitable Paths）。这一步引入了置信度阈值（Confidence Threshold），只有代码上下文支持且符合 OWASP 分类（如 SQLi、XSS、SSRF）的假设才会被标记为 “可利用候选”。
- 利用阶段：这是误报控制最关键的环节。Agent 不会直接报告潜在漏洞，而是尝试通过浏览器自动化或命令行工具执行真实的利用代码。只有当利用成功（如获取了数据库权限或绕过了认证），状态才会从 “假设” 转换为 “已验证”。若利用失败，该路径会被立即丢弃，不会进入报告阶段。
证据链追踪：无利用即无报告
Shannon 的 “无利用，无报告”（No Exploit, No Report）策略是误报控制的基石。这一策略不仅是一种工程上的折中，更是一种设计哲学：AI 的判断必须以可重复、可验证的执行为准，而非静态代码分析的模糊结论。
在技术实现上，证据链追踪（Evidence Chain Tracking）贯穿了整个工作流。系统会记录从代码分析到最终利用的完整证据链，包括：
- 数据流证据：用户输入从入口点（Entry Point）到危险 Sink（如
exec()或sql.execute()）的完整路径。 - 工具输出证据：Nmap、Subfinder 等侦察工具的结果，以及动态测试过程中的 HTTP 响应、数据库查询结果。
- 利用过程证据：浏览器自动化脚本的执行日志、截图或录屏，以及 PoC（Proof of Concept）脚本的输入输出。
所有这些证据都会被聚合到 Temporal 的事件存储中。只有当最终状态为 “Exploited” 时，系统才会将之前的假设标记为 “Verified Finding”。这种设计大幅降低了静态代码分析工具常见的 “误报” 噪音，因为任何未经实际验证的潜在风险都不会出现在最终的渗透测试报告中。
决策阈值调优：平衡深度与效率
阈值调优是误报控制中最具挑战性的部分。Shannon 的决策阈值主要体现在两个层面：从分析到利用的转换阈值，以及利用成功的判定阈值。
1. 分析到利用的转换阈值
在漏洞分析阶段，Agent 需要评估某个潜在的漏洞路径是否值得进入实际的利用测试。这个决策基于：
- 上下文相关性：输入是否经过充分的清理或过滤？是否存在已部署的安全控制（如 WAF、CSP）？
- 可利用性指标：代码中是否存在明显的实现错误（如字符串拼接而非参数化查询）？
Shannon 的工程实践建议，在配置文件中设定最小 “信任分数”（Trust Score）。只有当 Agent 对路径的置信度超过该分数时，才会分配资源进行利用测试。这种设计避免了对边缘情况或深层嵌套逻辑的过度探索，从而节省了计算资源。
2. 利用成功的判定阈值
在利用阶段，系统需要判定一次攻击是否真正成功。Shannon 采用多维度验证机制，而非单一的成功标志：
- 响应内容验证：服务器返回的数据是否符合预期（如包含敏感表名、错误信息或越权数据）？
- 副作用验证：攻击是否导致了目标系统状态的非预期改变（如创建了新用户、修改了数据库记录）？
- 时间窗口验证：响应时间是否异常？这有助于区分真正的漏洞利用与网络波动。
如果一次攻击满足了上述所有验证条件，则状态机推进到 “Reporting”；否则，状态回滚到 “Analysis” 或直接终止该路径。
工程实践与调优建议
对于希望在生产环境中部署或参考 Shannon 设计理念的安全团队，以下几点工程实践值得借鉴：
- 状态可视化：利用 Temporal Web UI 实时监控状态机的转换路径，及时发现瓶颈或异常状态。
- 证据持久化：将每一次利用的证据（Logs、Screenshots、PoC Scripts）自动归档，便于后续的人工复核或合规审计。
- 阈值渐进式调整：初始阶段可采用较为保守的置信度阈值（如 80%），随着对目标应用特性的熟悉，再逐步降低阈值以覆盖更多边缘情况。
- 白名单机制：在侦察阶段配置 “白名单” 规则，避免对已知的内部服务或第三方库进行重复测试，从而减少噪音。
结语
Shannon 的确定性状态机设计为 AI 驱动的安全测试提供了一种新的工程范式。通过将复杂的推理过程拆解为确定性的状态转换、严格的证据链追踪以及可量化的决策阈值，它有效地解决了 AI Agent 在安全测试中常见的误报和不可控问题。这种设计思路不仅适用于渗透测试工具，也为其他需要高精度、高可信度的 AI 应用场景提供了有价值的参考。
资料来源
- Shannon GitHub Repository: https://github.com/KeygraphHQ/shannon
- Shannon AI Official Website: https://shannon-ai.com