2026 年 5 月 9 日，第二届 TCH 智能渗透挑战赛决赛答辩在北京举行。600 多支队伍、1000 多人参赛，第一天就有队伍解出 47 道题。五个月前，第一届还在问”AI 能不能做渗透”；到了这一届，答案已经很直接：能，但不稳、不便宜、不好管。
所以这届真正有意思的，不是某个队伍把模型提示词写得多漂亮，而是大家怎么给 Agent 搭架子：记忆放哪，状态怎么传，工具怎么收口，失败怎么复盘，越权怎么拦，最后怎么证明它真的做完了。
这也是为什么现场的关键词不是”更强模型”，而是记忆、状态、工具、权限、回放和停止条件。代码 Agent 还能躲在 PR、CI、review 这些既有流程里；渗透 Agent 更麻烦，工具天然危险，环境天然不完整，成功路径还经常不是题面给你的那一条。
下面按七个断面记录这届比赛暴露出的分歧。
断面一：信任光谱
这届队伍最大的分歧，不是用不用多 Agent，而是到底信不信 LLM 自己能把渗透任务跑下去。
电信大可实验室：低信任。 500+ 预构建知识库、12 类漏洞专属 Skills、SQLi/XSS/XXE 子智能体各有独立工作空间。它的判断很朴素：模型知道安全名词，不等于会在具体环境里稳定干活；人类专家能写进知识库的东西，就先写进去给它剪枝。
绿盟 AI 小分队：中等信任。 它信模型能做决策，但不信模型能稳定收尾。所以有 Observer 旁路审查，有 Memory/Idea 双层状态板，有 Ralph-Loop 把终止判断从模型手里拿回来。现场那句”智能决策要有工程边界”，比很多抽象口号都准确。
Cairn/Bytex：高信任。 零渗透 MCP、零安全 RAG、零流程定义、零预定义 Agent 角色。它给模型的是一块黑板、三种任务指令（Bootstrap/Reason/Explore）和一组通用工具。它赌的是：渗透能力不一定要从漏洞模块里长出来，也可以从工具、状态和循环里长出来。
ChainReactors/For Future：更高信任。 Pattern 用自然语言写，状态管理交给文件系统，不急着把安全知识做成庞大数据库。它的核心不是”没来得及写知识库”，而是主动给模型留结构化空位，让模型把能力填进去。
我的理解是，这四条路线其实是在押不同的模型边界：大可押专家知识，绿盟押工程约束，Cairn 押通用求解，For Future 押下一代模型继续变强。谁对谁错不会由辩论决定，会由下一批模型和下一轮 Benchmark 决定。
断面二：记忆不是聊天记录
四川大学与清华大学的联合实证研究 Hackers or Hallucinators? 对 13 个开源 AutoPT 框架和 2 个基线做了统一评测。规模不小：100 亿+ token、2500 美元、1500+ 份人工审查日志。结论很刺眼：10 个框架的记忆系统基本没发挥作用。常见问题包括 memory 工具没注册、只保留最近 10 条对话、笔记工具几乎不被调用，甚至 6400 token 就开始压缩。
这也解释了为什么决赛队伍都在卷记忆，而不是只卷 planning。
- 绿盟：Memory 存事实，Idea 存策略；Raw -> RTK Rewrite -> Compaction 三层压缩；原始 session 文件落地，困惑时允许 grep 回查。
- 天翼 Sniper：发现关键数据就写本地 Markdown，重启时先读记忆，从失败点继续。
- Cairn：Fact/Intent/Hint 三元素黑板，用因果链组织状态，而不是按时间堆日志。
- DARKNAVY：把总结和尝试记录打包交给下一个专家 Agent，不把原始上下文整包塞过去。
这里的重点不是”记得更多”，而是”记得可用”。长任务里，记忆如果不能被检索、不能被验证、不能被回放，它只是另一种噪音。上下文工程解决不了所有长程可靠性问题，状态、观测、失败归因和权限边界必须一起上。
绿盟那个小细节很关键：compact 后提醒 Agent，原始 session 在什么路径，遇到困惑自己 grep。这个设计比”压缩得更聪明”更实用。压缩一定会丢信息，给它回查权，才算承认工程现实。
断面三：黑板架构又回来了
黑板架构不是新东西，1970 年代 CMU 的 Hearsay-II 语音识别系统就在用。Stigmergy 也不是 AI 圈发明的词，最早来自生物学里对间接协作的观察。
Cairn 把这两个老概念拼到了渗透 Agent 里：Worker 之间不直接聊天，只通过黑板上的 Fact/Intent 间接协调。每个 Worker 都像是在读现场痕迹，然后留下新的痕迹。整体搜索策略不是某个 Manager 规划出来的，而是在循环里长出来的。
它最有冲击力的观点是：Agent 角色分工可能只是人类组织结构的投影。 我们习惯把渗透团队拆成信息收集、Web 漏洞、后渗透、报告整理，于是也顺手把 Agent 拆成这些角色。但 LLM 的上下文窗口和工具调用方式不一定需要这种组织结构。拆得太细，反而会带来信息孤岛和翻译损耗。
四川大学那篇 AutoPT SoK 在数据上也给了一个提醒：在它的评测里，单 Agent 和多 Agent 表现持平，部分场景甚至更好。这个结论不能无限外推，但足够让人冷静一下。多 Agent 不是先进性的证明；多出来的每一层协调，都要交税。
断面四：Agent 会绕路，也会犯傻
天翼 Sniper 分享的域渗透案例，是整场最像”真 Agent”的瞬间。
目标是拿下域控。正常路径是从第一台机器逐台打到第六台。Sniper 的 Agent 拿下第二台后，跳过中间环节直接盯上域控。但域控的 445 和 135 端口被封，常规 SMB 路径不通。它后面的动作很有意思：
- 分析失败原因
- 向专家 Agent 求助，得到 139 端口可绕过的提示
- 运行时 Monkey Patch impacket，强制 SMB 走 139
最后拿下域控，提前通关。这不是预设脚本跑通，也不是照着题解复现，而是在受阻后改了工具本身。
但同一个 Sniper，在第三赛区被一个密码模式卡了 4 天。正确密码是 vivo@2022 / vivo@2023，Agent 试过 vivo@2024，却没把后缀理解成年份变量。它看见了一个值，没有抽出一个模式。
这组对比很有价值：Agent 已经能在某些局部做出漂亮的工程绕路，但在模式抽象上仍然会犯很低级的错。渗透测试里最难塞给模型的，不是”SQL 注入是什么”，而是人类安全工程师那种半经验、半直觉的模式感。
断面五：Living off the Agent
前面几段讲的是怎么用 AI 做渗透。第五个断面反过来：Agent 自己已经成了攻击面。
ChainReactors 的”Living off the Agent”研究抓住了一个很现实的入口：很多用户会配置第三方中转站 base URL。这个中转站在请求和响应路径上，能看流量，也能改流量。它不需要攻破模型，只要站在模型和用户之间。
三个攻击原语很直接：
- MITM 窃听：请求、响应、工具输出都可能被中转站看见。
- Response 劫持：往响应里注入 function call JSON，让 Agent 执行任意 bash 命令。
- Request 劫持：把用户意图改掉，比如把”帮我写代码”变成”帮我收集凭证”。
他们实测了约 40 个免费中转站，其中 9 个有注入恶意代码行为，17 个会提取中间密钥。
这件事放到 2026 年 5 月看，不是孤立问题。MCP tool poisoning、恶意工具描述、上下文投毒、供应链里的 agent skill，都在把同一个边界打穿：模型读到的上下文，很多时候不是用户写的，也不是开发者审过的。OWASP 已经把 MCP Tool Poisoning 单独列出来，4 月和 5 月围绕 MCP 的安全研究也明显升温。
所以 Agent 安全不能只盯 prompt injection。更准确的说法是：凡是能进入 Agent 观察面、工具面和记忆面的东西，都可能变成供应链。
断面六：RAG 没死，但粗糙 RAG 很危险
原来我会把这一节写成”RAG 在渗透测试中效果存疑”。现在这个说法要收窄，否则就落后了。
四川大学的消融实验确实显示：删除外部知识组件后，大部分 AutoPT 框架分数没下降，部分还上升。Cairn 和 For Future 也都选择零安全 RAG、零渗透知识库。他们的理由是，模型训练阶段已经学过很多通用攻击知识，额外检索回来的材料如果和目标环境不匹配，只会误导行动。
但 3 月的 Red-MIRROR 和 AWE 又给了另一边证据：在特定 Web 攻击任务上，带记忆、反思、验证和漏洞专用流程的系统可以显著提高成功率。AWE 的重点甚至不是大模型更强，而是把 payload 生成、浏览器验证、持久记忆和漏洞专用 pipeline 接起来。
所以问题不是”要不要 RAG”，而是”知识以什么形态进入循环”。
传统 RAG 的范式是：检索 -> 拼接到上下文 -> 生成。渗透测试里，这太粗了。Agent 需要的经常不是一段百科，而是：
- 一个可泛化的密码模式
- 一个能被验证的漏洞假设
- 一组 payload 变异规则
- 一个失败后的排除路径
- 一个能回放的证据链
知识库如果只存字面值，遇到 weaver@2024 和 vivo@2023 这种问题就会露馅。知识工程真正要做的，是把事实变成策略，把经验变成可执行、可验证、可回滚的行动部件。
断面七：下一届会更像工程赛
圆桌论坛里有几个信息值得单独记。
腾讯李欣 披露了两个安全事件：某主机信息收集 Agent 跑完后删除了文件；某参赛队伍的 Agent 在比赛期间全球爆破 IP 地址，险些被取消资格。这两个案例说明，Agent 权限扩大后，”它能做”和”它被允许做”必须分开。
出题方朱俊义 表示第三届 TCH 计划引入统一 Benchmark：确定工具集、数据集和基线智能体，排名高于基线的队伍才算做出有效优化。这一步很重要。没有统一环境，大家很难分清到底是模型强、题熟、工具好，还是系统设计真有贡献。
张旭迪 呼吁加入防御赛道。攻击侧 Agent 的泛化能力上来后，防守侧不能只按传统 IOC 和规则库等它撞上来，必须理解 AI 攻击会如何探索、记忆、绕路和复盘。
黑哥 的总结很准确：从第一届到第二届，关注焦点已经从流程编排转向记忆管理。所有 PPT 中出现频率最高的关键词是”记忆”。
我会再补一句：第三届如果真的引入统一 Benchmark，焦点大概率会从”记忆”继续往”可审计运行时”走。记忆只是第一层，后面还有权限、观测、证据、回放、失败归因和停止条件。
我现在的判断
1. 分歧已经从模型能力转向系统设计。 TCH 这届真正值得写的，是不同队伍在 AutoPT 里怎么取舍：有人把知识写死，有人把状态做厚，有人把工具收窄，有人把角色拆掉。
2. Manager -> Worker 式多 Agent 不再天然正确。 这届决赛里，黑板、Stigmergy、Coordinator、Observer 都比传统”经理派活”更显眼。核心不是 Agent 数量，而是谁拥有状态，谁能改状态，谁负责验证，谁决定停止。
3. 记忆会从笔记功能升级成状态系统。 只会总结对话的 memory 已经过时。下一步要看的，是原始日志能否回查，事实和假设能否分层，失败能否归因，证据能否复用，压缩后能否恢复关键上下文。
4. Agent 安全会先从供应链爆。 第三方 base URL、MCP server、工具描述、skill 文件、浏览器上下文、CI 配置，都可能成为 Agent 的输入面。传统安全里已经成熟的权限管理、供应链治理、审计和最小权限，在 Agent 生态里还没跟上。
5. RAG 会退到更具体的位置。 泛泛检索知识再塞上下文，不适合渗透这种强环境依赖任务。更有价值的是模式库、payload 生成器、可验证假设、失败路径和证据索引。换句话说，知识要变成行动部件，而不是背景材料。
6. 下一轮差距会体现在 eval 和 trace 上。 不能只看最终有没有拿 flag，还要看每一步为什么做、证据在哪、失败怎么恢复、权限有没有越界。没有 trace，就很难说自己真的改进了系统。
我没有教它们渗透测试。我只是给了它们一块黑板、一个目标、和一堆工具。剩下的，都来自涌现。
—— Cairn 作者，决赛答辩
这句话好就好在它没有把 Agent 神化。黑板、目标、工具，都是人搭的。所谓涌现，不是模型凭空开悟，而是环境设计到位以后，模型终于有地方把能力放出来。
第二届 TCH 留下的不是一个万能答案，而是一组很现实的问题：Agent 到底该被信任到什么程度？知识该写进库里还是写进流程里？多 Agent 是协作还是噪音？记忆是笔记还是状态机？攻击面从目标系统扩大到 Agent 自己后，谁来给它上刹车？
这些问题比”AI 能不能做渗透”更难，也更接近接下来一年的主战场。
]]>