引言：从人工审计到 AI 协同的范式跃迁
2026 年 5 月，网络安全公司 Calif 的研究人员使用 Anthropic 的 Claude Mythos Preview 模型发现了 macOS 内核提权漏洞 CVE-2026-28952。这一事件标志着内核安全研究进入新阶段 ——AI 不再仅是辅助工具，而是成为漏洞发现的主动参与者。该漏洞存在于 XNU 内核的输入验证逻辑中，本地攻击者可通过精心构造的触发序列实现权限提升。
传统内核漏洞挖掘依赖研究人员对数百万行 C/C++ 代码的逐行审计，耗时数周甚至数月。而 Calif 团队借助 AI 工具，在数天内完成了对关键内核路径的深度分析，并构建出可利用的漏洞链。本文将深入剖析这一案例背后的技术方法论，为安全研究者提供可落地的 AI 辅助漏洞挖掘实践指南。
漏洞机理：CVE-2026-28952 的技术剖析
CVE-2026-28952 属于输入验证不当类漏洞，影响 macOS Sonoma 及 Sequoia 版本的 XNU 内核。根据公开披露信息，该漏洞源于内核在处理特定系统调用时未能充分验证用户态传入的参数边界，导致内核内存状态可被恶意操控。
攻击模型遵循经典的本地提权路径：低权限进程通过构造异常输入触发内核代码的脆弱路径，进而破坏内核内存隔离边界。成功利用后，攻击者可获取 root 权限或造成系统不稳定。此类漏洞的检测难点在于，脆弱代码往往深藏于复杂的内核子系统中，传统静态分析工具难以准确建模其运行时行为。
Apple 已在 macOS 26.5 更新中修复该漏洞，安全公告中明确致谢 Calif 与 Anthropic 团队。这一修复时间线表明，AI 辅助发现显著缩短了从漏洞引入到修复的窗口期。
提示工程策略：引导 AI 聚焦关键攻击面
Calif 团队的成功离不开精心设计的提示工程策略。在内核漏洞挖掘场景中，提示设计需要平衡广度与深度，既要覆盖潜在脆弱点，又要避免信息过载导致模型注意力分散。
角色设定与任务描述是提示工程的基础层。研究人员为 Claude Mythos 设定了 "内核安全审计专家" 角色，明确任务目标为 "识别 XNU 内核中可能导致权限提升的输入验证缺陷"。这种角色锚定有效降低了模型输出偏离安全分析轨道的风险。
思维链提示（Chain-of-Thought）在复杂漏洞分析中尤为关键。通过在提示中嵌入 "逐步分析输入参数的处理流程→识别缺失的边界检查→评估权限提升可能性" 的分析框架，模型能够模拟人类专家的思维路径，逐步收敛到脆弱代码区域。
少次示例学习（Few-shot Learning）进一步提升了检测精度。研究人员向模型提供了历史内核漏洞的代码片段与修复方案作为示例，帮助模型建立漏洞模式与代码特征之间的映射关系。奇安信技术研究院的研究表明，高质量的示例能够将大模型在漏洞挖掘任务中的准确率提升 30% 以上。
循环推理架构：Claude Mythos 的深度分析机制
Claude Mythos 区别于常规大模型的核心特征在于其循环 Transformer 架构。传统模型执行单次前向传播即输出结果，而 Mythos 支持多轮循环推理，在保持任务目标一致性的同时逐步深化分析深度。
这一架构对内核漏洞挖掘具有独特价值。内核代码的脆弱性往往隐藏在多层函数调用与复杂状态转换之中，单次分析难以覆盖完整的攻击面。循环推理允许模型在每一轮迭代中聚焦特定代码路径，将前一轮的发现作为上下文注入后续分析，形成渐进式深度探索。
逆向分析 Mythos 的工作机制可以发现三个关键设计：原始输入的循环注入防止推理漂移、稀疏激活控制计算资源消耗、以及多轮结果的可解释性追踪。这些特性使得安全研究者能够审计 AI 的分析过程，理解模型为何将某段代码标记为可疑，从而建立人机协同的信任基础。
可落地的工作流与参数配置
基于 CVE-2026-28952 案例分析，以下是 AI 辅助内核漏洞挖掘的可操作工作流：
阶段一：代码预处理与知识增强
- 使用 ctree 或类似工具提取内核代码的抽象语法树
- 构建包含历史漏洞模式、CVE 数据库、补丁历史的 RAG 知识库
- 配置上下文窗口为 128K tokens 以容纳复杂代码路径
阶段二：提示模板配置
角色：你是一位专注于XNU内核的安全研究员，擅长识别输入验证缺陷导致的提权漏洞。
任务：分析以下内核代码片段，识别潜在的输入验证不足问题。
分析框架：
1. 识别所有用户态输入点（copyin、copyinstr等）
2. 检查边界验证逻辑（长度、范围、类型检查）
3. 评估绕过验证后的内核内存影响
4. 判断是否存在权限提升路径
示例：[嵌入历史漏洞代码与修复对比]
目标代码：[待分析的内核函数]
阶段三：循环推理控制
- 设置最大迭代轮数为 3-5 轮，平衡深度与效率
- 配置每轮输出的置信度阈值（建议 0.7 以上）
- 启用推理路径追踪，记录每轮分析的决策依据
阶段四：结果验证与人工复核
- 对 AI 标记的脆弱点进行静态分析工具交叉验证
- 构建 PoC 验证可利用性
- 建立误报反馈机制优化提示模板
风险边界与合规考量
AI 辅助漏洞挖掘的能力边界与伦理风险需要清醒认识。自动化生成利用代码的能力在提升防御效率的同时，也可能被滥用于恶意攻击。研究表明，大模型在漏洞挖掘场景中的误报率仍维持在 15%-20%，需要人工专家进行最终裁决。
企业环境中部署此类技术时，应遵循以下原则：严格限定 AI 系统的访问权限，实施最小权限原则；建立完整的审计日志，记录所有 AI 生成的分析与建议；将 AI 定位为 "辅助工具" 而非 "决策主体"，关键判断仍需人工确认；遵守负责任的漏洞披露流程，确保发现的安全问题得到及时修复而非滥用。
结语
CVE-2026-28952 的发现展示了 AI 辅助内核漏洞挖掘的范式潜力。通过精心设计的提示工程、循环推理架构的深度应用，以及人机协同的工作流，安全研究者能够以更高效率发现深藏于复杂代码库中的安全隐患。随着 Claude Mythos 等专用安全 AI 模型的成熟，内核安全研究正从劳动密集型向智能增强型转变。
然而，技术能力的提升必须伴随责任意识的强化。只有在严格的伦理框架与合规流程下，AI 辅助漏洞挖掘才能真正成为提升系统安全性的建设性力量。
资料来源
- MacTrast: "Claude Mythos AI Tool Uncovers macOS Security Vulnerability" (2026-05-15)
- 奇安信技术研究院: "DataCon 晚自习：浅谈大模型辅助漏洞挖掘"
- CVE-2026-28952 漏洞数据库条目 (cybersecurity-help.cz)
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。