2026 年 4 月，Anthropic 发布公告称其新型大语言模型 Claude Mythos Preview 在 7 周内自主发现了数千个零日漏洞，涉及 OpenBSD、FFmpeg、FreeBSD 及多个浏览器组件。这一消息引发安全社区震动，白宫与五角大楼随即召开紧急会议讨论对策。Anthropic 选择了保守策略：通过 Project Glasswing 联盟仅向经过审查的合作伙伴开放研究成果。然而，营销声浪与工程现实之间的差距，在 curl 项目上得到了最清晰的验证。
Mythos 扫描 curl 的真实检出率
curl 项目维护者 Daniel Stenberg 通过 Linux Foundation 的 Alpha Omega 计划获得了 Mythos 分析资格。扫描覆盖 src/ 与 lib/ 目录共计 178,000 行 C 代码。Mythos 初始报告声称发现了 5 个 “已确认安全漏洞”，但经过 curl 安全团队数小时逐项审查后，最终仅确认 1 个真实漏洞 —— 且严重等级为低，将随 curl 8.21.0 于 2026 年 6 月底发布。另外 4 项中，3 项被判定为指向文档中已明确记录的 API 行为，1 项被归类为 “普通缺陷” 而非安全漏洞。
作为对照，curl 项目此前已集成多款 AI 驱动扫描工具，包括 AISLE、Zeropath 以及 OpenAI Codex Security。过去 8 至 10 个月内，这些工具合计推动了 200 至 300 个缺陷修复提交，其中包含十几个已公开的 CVE。Mythos 在单一项目中的检出量并未显著超越上述工具的累计表现。
扫描还报告了约 20 个非安全类缺陷，误报率极低。Mythos 未检出任何内存安全类漏洞，这与 curl 项目长期投入的防御基础设施直接相关。
AI 扫描工具的差异化能力边界
Daniel Stenberg 在博客中总结了当前一代 AI 代码分析工具相较于传统静态分析器的核心优势，这些能力构成防御方值得关注的工程化参数：
注释与代码行为一致性检测。AI 能够识别代码注释描述的预期行为与实际实现之间的偏差，这类问题传统工具往往因依赖类型系统而无法捕获。
跨平台代码路径覆盖。某些平台特定代码段无法在常规分析环境中执行，AI 通过语义推理弥补了这一盲区。
第三方库 API 误用检测。AI 对主流第三方库的接口规范有广泛理解，能够识别调用方对这些 API 的错误假设或参数滥用。
协议规范一致性验证。对于 curl 实现的 HTTP、TLS 等协议规范，AI 能够检测代码行为与 RFC 文档之间的矛盾点。
可读性报告与补丁生成。AI 通常能够生成人类可理解的漏洞描述，并在部分场景下提供修复补丁建议，尽管这类补丁的可用性仍需人工验证。
值得注意的是，这些工具发现的是已知类型漏洞的新实例，而非新型漏洞类别。AI 驱动扫描并未重新定义漏洞分类，它的核心价值在于以更低的边际成本加速既有漏洞类的发现。
curl 防御基础设施的量化参数
Mythos 在扫描报告中特别提到，curl 代码库中几乎未发现内存安全类问题，并列举了项目长期积累的防御工事。这些参数值得 C/C++ 项目参考：
动态缓冲区上限机制。全代码库广泛采用有界动态缓冲区（capped dynbufs），限制单次分配与复制的最大容量，防止失控增长导致的堆溢出。
数值解析显式边界。curlx_str_number 函数对每次数值解析操作均设置明确的最大值上限，覆盖从字符串到数值的完整转换路径。
内存复制溢出防护。curlx_memdup0 在执行内存复制操作时实现溢出守卫，在复制前后校验目标缓冲区容量。
格式化字符串强制校验。CURL_PRINTF 系列宏强制要求所有格式化字符串遵循安全规范，从编译期消除格式化字符串注入风险。
协议级响应大小上限。各协议实现层设置独立的响应大小上限，防止恶意服务端返回超长载荷触发解析逻辑缺陷。
行缓冲容量约束。交互式协议（如 FTP、POP3、IMAP）的行缓冲上限为 64KB，有效抑制行长度攻击向量。
这些防御措施共同构成了 curl 项目被称为 “生产级 C 代码防御典范” 的基础。从攻击者视角看，Mythos 在 178K 行代码中未能发现任何内存安全问题，与这套系统性防御设计密切相关。
防御方运营窗口与行动清单
补丁周期压缩参数。当 AI 辅助扫描工具报告新漏洞后，建议将传统漏洞修复周期缩短 50% 至 70%。考虑到 AI 工具可能同时被攻击方使用，发现新漏洞的情报泄露窗口较以往更短。对于高危组件（TLS 实现、URL 解析器、认证模块），建议建立 72 小时内的紧急修复响应机制。
多工具交叉验证阈值。单一 AI 扫描工具的误报率在高安全性要求场景下不可忽视。建议至少使用两款不同供应商的 AI 扫描工具进行交叉验证，再将结果提交安全团队人工审查。Mythos 在 curl 上的表现（5 项报告仅 1 项有效）表明，AI 工具的置信度指标需要结合项目上下文重新校准。
增量扫描与全量扫描比例。对于代码变更频繁的项目（如 curl 每月有大量合并提交），建议采用增量扫描优先策略：每日增量扫描新增与修改文件，每周或每双周执行一次全量扫描。Mythos 在 curl 上覆盖了所有主要协议与辅助模块的全量扫描，这一全面视角是增量扫描难以替代的。
防御基础设施投资回报率。curl 项目积累的防御工事可作为 ROI 参照：188 个 CVE 历史记录、数百次 AI 工具扫描反馈、数年的模糊测试投入，共同将代码质量维持在极高水平。对于新启动的 C/C++ 项目，建议在早期架构设计阶段即引入有界缓冲区、显式溢出守卫等防御模式，长期维护成本显著低于后期打补丁。
持续性 AI 扫描集成。将 AI 代码扫描纳入 CI/CD 流水线中的安全检查环节，每日对新增提交运行 AI 辅助分析。curl 已在 PR 审查阶段集成 GitHub Copilot 与 Augment Code 的自动反馈，这类机制在不增加人力负担的前提下持续提升代码入库质量。
核心启示
Mythos 对 curl 的扫描案例揭示了 AI 漏洞发现工具的双重面貌：其作为防御工具的价值真实存在，但营销叙事与工程现实之间存在显著落差。对于 curl 这样经过 188 次 CVE 迭代、数百次 AI 扫描反馈、分布式安全研究社群长期关注的项目，AI 工具的增量贡献必然递减。对于安全基础薄弱、尚未系统引入 AI 扫描的项目，Mythos 或同类工具仍可能带来实质性改进。
防御方的关键行动参数可归结为三点：建立多工具交叉验证流程、压缩补丁响应周期、以及持续投入防御基础设施的系统性建设。AI 不会取代安全研究员，但它正在大幅缩短从漏洞发现到修复部署的完整链路。运营窗口的竞争，本质上已成为防御自动化程度的竞争。
资料来源：Daniel Stenberg 博客 "Mythos finds a curl vulnerability"（2026-05-11），https://daniel.haxx.se/blog/2026/05/11/mythos-finds-a-curl-vulnerability/。
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。