HackerOne 的 Agentic 安全测试平台：漏洞众测的终结者还是新起点？

6月11日，HackerOne 宣布推出其 Agentic AI 安全测试平台。消息不长，但冲击力不小——一个以”人海战术”闻名的漏洞赏金平台，开始用 AI Agent 来替代自己的核心生产力。

这不只是”又一款自动化扫描工具”。HackerOne 自己就是做安全测试的，它太清楚现有自动化工具的短板了——所以它做了一个有上下文感知能力的 Agent。

传统的自动化安全测试，到底差在哪

在说 HackerOne 的 Agent 之前，先看看传统自动化安全测试工具有什么不可逾越的瓶颈。

传统扫描器最大的问题是没有上下文。它知道 /api/users/123 是个 API 端点，但它不知道 123 是当前用户的 ID 还是另一个用户的 ID，它不知道应该先登录、再创建资源、再尝试以另一个用户身份访问这个资源——而这种”多步骤业务逻辑绕过”正是 IDOR 和权限提升漏洞的核心。

人类安全研究员可以做到，但无法规模化。HackerOne 做了十年众测，最大的瓶颈也在这里。

HackerOne Agent 的技术架构推测

虽然没有拿到完整的白皮书，但从已知信息可以推断其架构：

人类安全专家定义 Scope
         │
         ▼
  ┌──────────────────┐
  │  Agent 控制器     │ ← 负责任务拆分和调度
  └────────┬─────────┘
           │
    ┌──────┴──────┐
    ▼               ▼
┌──────────┐  ┌──────────┐  ┌──────────┐
│ Recon     │  │ Explore  │  │ Exploit  │
│ Agent     │  │ Agent    │  │ Agent    │
│           │  │          │  │          │
│ 子域名扫描 │  │ 页面爬取  │  │ 尝试注入  │
│ 端口探测  │  │ 参数发现  │  │ 权限绕过  │
│ 技术指纹  │  │ 表单填写  │  │ 会话篡改  │
└──────────┘  └──────────┘  └──────────┘
         │         │              │
         └─────────┴──────────────┘
                      │
                      ▼
  ┌──────────────────────────┐
  │  上下文融合引擎            │ ← Agent 间共享发现
  │  "Session A 创建了资源 R"  │    形成攻击链知识
  │  "Session B 可以访问 R"   │
  └──────────────────────────┘
                      │
                      ▼
              验证 + 生成报告

关键区别在于多 Agent 协作。一个 Agent 负责探索业务逻辑（”这个应用有一个”申请提现”功能，需要先注册用户、再绑定银行卡、再提交申请”），另一个 Agent 负责在每一步尝试绕过（”能不能用另一个用户的 session 提交这个申请？”），第三个 Agent 负责验证漏洞是否真实存在。

上下文感知能力——最硬的那部分

HackerOne 说他们的 Agent 能理解业务逻辑，这意味着至少有以下能力：

状态跟踪

Agent 必须理解应用的状态机。比如一个电商应用的结账流程：

加购 → 登录 → 填写地址 → 选择支付 → 确认订单 → 支付

Agent 需要在每一步之后维护应用的当前状态，并知道下一步合法的操作是什么。这听起来简单，但实际上对所有自动化安全工具来说都是最大的技术壁垒——因为应用的”状态”往往是隐式的（通过 Session/Cookie/Token 维护），不是显示的 API 契约。

多账户上下文

这是 IDOR 检测的关键。Agent 需要同时维护多个用户的上下文：

User A: 登录 → 创建订单 #ORD-001
User B: 登录 → 尝试访问 /api/orders/ORD-001
           ↓
如果成功 → 发现 IDOR 漏洞

传统扫描器做不到这一点，因为它们只用一个 session。

业务规则理解

更复杂的场景：Agent 需要理解”普通用户不能提现超过 5000 元”这样的业务规则，然后尝试绕过它——通过参数篡改、状态竞争、角色冒充等手段。

这需要 Agent 在交互过程中主动学习应用的业务规则，而不是依赖预设的检测规则。HackerOne 的 Agent 应该是基于 LLM 来推理业务逻辑的——它读页面文本、分析 API 返回的字段名、从错误消息推断校验逻辑。

对众测生态的影响

HackerOne 的这个动作很有意思——它同时在做两件看起来矛盾的事：

1. 用 AI Agent 替代人工完成可重复的自动化安全测试
2. 用众测社区覆盖 AI Agent 做不了的深度测试

这意味着 HackerOne 在重新定义众测的边界：

• AI Agent（自动化）：覆盖 Web 应用扫描、API 安全测试、云配置检查——这些以前需要安全研究员花大量时间的重复性工作
• 众测社区（人工）：专注于需要深度业务理解、社会工程、逻辑推理的复杂漏洞

这不叫替代，这叫分层。

对于企业的安全团队来说，这个分层其实更合理：

• 先用 HackerOne Agent 做7×24 的持续自动化安全测试
• Agent 发现不了的问题，再通过漏洞赏金计划引入人类研究员

成本也更可控：Agent 是固定订阅成本，众测是按效果付费。

这场竞赛已经开始了

HackerOne 不是唯一在做这件事的。看看这个赛道：

• Pentera：持续自动化安全验证，已经做了好几年 Agent-based 的攻击路径模拟
• X60 / 火线：国内众测平台也开始引入 AI 辅助漏洞发现
• ChaosDB / 各类 AI CTF 框架：学术界一直在推 AI 驱动的自动化漏洞发现

HackerOne 的优势在于它拥有全球最大的漏洞验证数据库——过去十年积累的数百万份经过验证的漏洞报告。这些数据可以用作 AI Agent 的训练材料，让 Agent 知道”什么样的发现才算真正的漏洞”。

HackerOne 这个 Agentic 平台可能不会立刻让安全研究员失业——但到明年这个时候，一个没有 AI Agent 辅助的渗透测试团队，可能会在效率和覆盖率上被有 Agent 的团队碾压。

这大概就是漏洞发现领域真正的范式转变——不是 AI 替代人，而是有 AI 的人替代没有 AI 的人。