Cos(余弦)😶‍🌫️(@evilcos):经典，AI vs AI 真实攻防战👍 这次事件与我们以往处理过的任何事件有一个重要区别：它是由一个自主 AI Agent 系统从头到尾驱动的，而我们也主要依靠自己的 AI 来检测和剖析它。 … 这次行动由一个自主代理框架执行（看起来是基于一个代理式安全研究框架构建的，具体使用的是哪个 LLM 尚不清楚），它在大量短生命周期沙箱组成的集群中执行了数千个独立操作，命令与控制（C2）服务器自迁移部署在公共服务上。这与行业一直在预测的“代理式攻击者”（agentic attacker）场景完全吻合。 … 不对称性问题（The asymmetry problem）当我们开始日志分析时，首先尝试使用商业 API 背后的前沿模型。但这行不通：分析需要提交大量真实的攻击命令、利用负载和 C2 产物，而这些请求被提供商的安全护栏（safety guardrails）拦截了——它们无法区分事件响应者和攻击者。我们最终改用 GLM 5.2 在自己的基础设施上运行取证分析。这带来了第二个好处：没有任何攻击者数据或它引用的凭证离开我们的环境。

2026.07.21 01:12

经典，AI vs AI 真实攻防战👍 这次事件与我们以往处理过的任何事件有一个重要区别：它是由一个自主 AI Agent 系统从头到尾驱动的，而我们也主要依靠自己的 AI 来检测和剖析它。 … 这次行动由一个自主代理框架执行（看起来是基于一个代理式安全研究框架构建的，具体使用的是哪个 LLM 尚不清楚），它在大量短生命周期沙箱组成的集群中执行了数千个独立操作，命令与控制（C2）服务器自迁移部署在公共服务上。这与行业一直在预测的“代理式攻击者”（agentic attacker）场景完全吻合。 … 不对称性问题（The asymmetry problem）当我们开始日志分析时，首先尝试使用商业 API 背后的前沿模型。但这行不通：分析需要提交大量真实的攻击命令、利用负载和 C2 产物，而这些请求被提供商的安全护栏（safety guardrails）拦截了——它们无法区分事件响应者和攻击者。我们最终改用 GLM 5.2 在自己的基础设施上运行取证分析。这带来了第二个好处：没有任何攻击者数据或它引用的凭证离开我们的环境。