AI Agent 安全扫描器开发历程和阶段小结
Zbot 这条线我前后跑了很多版，面把我真实踩过的坑、做过的取舍写下来，给后面继续做 Agent 安全方向的自己留个底稿。 先说项目背景 Zbot 是一个 LLM 驱动的 Web 漏洞扫描器，目标是自动发现常见漏洞，比如 IDOR、SQLi、SSTI、SSRF、XXE、命令注入这些。 评估我主要用…
6 分钟阅读阅读全文
研究档案在线2026
Security · AI · Engineering
持续探索安全与智能的边界
记录安全研究、AI Agent 与软件工程中的真实问题、实验和思考。
147研究记录
7持续年份
5+研究领域
$ whoami
security researcher / builder
$ ls topics/
AI 安全 智能体安全 漏洞研究 代码审计 攻防工程
$ wc -l archive
147 篇文章
WEB 漏洞复现和分析51代码审计23内网安全研究19配环境18AI15
01 / LATEST
最新研究
刚刚更新的研究与工程记录
用 BERT 小模型做流量 PII 识别：训练历程和踩坑复盘
用一个 307M 的编码器替代大模型给 API 流量做个人信息打标，宏平均 AP 0.93。记录数据切分、滑动窗口、DAPT、长上下文对比、显存优化，以及发布前才发现的标签互相压制问题。
02 / MORE
更多研究
漏洞研究、智能体安全与工程实践
利用mcp sqlmap 验证漏洞
背景 最近在工作中想要集成AI来帮助运营漏洞检测。之前我已经写过一个 mcp-request 工具，使用MCP协议让AI帮忙发送和验证漏洞，但只能处理简单的漏洞场景。 对于SQL注入这种复杂场景，mcp-request 虽然能实现，但存在明显问题： 现有方案的局限性 1. AI智能程度依赖性强：A…
4 分钟阅读阅读全文
9 如果评估微调过程
LOSS 是什么？ LOSS 是一个可微的数学函数量化模型预测与真实值的误差输出, 数值值越大表示错误越大 注意: loss 和模型微调实际效果是没必然联系的, 只是观察微调过程是否正常 微调时用它干什么？ 微调的核心目标就是 LOSS 变得越来越小。 作为优化目标指导参数更新方向评估训练效果决定…
2 分钟阅读阅读全文
8 模型微调-关键超参数
1. 学习率 学习率决定了模型在每次更新时参数调整的幅度，通常在 (0, 1) 之间 对显存无影响 影响学习速度 告诉模型在训练过程中"学习"的速度有多快，平衡进步速度与稳定性 推荐数值 常见的 lora 微调中, 推荐 4e-5 和 5e-5 (这个算是前人实验和总结出来的通用比较好的数值) 全…
3 分钟阅读阅读全文
MCP 服务开发到发布
环境 MCP服务开发环境需要Python 3.10+ 我推荐使用uv工具管理Python环境 这个创建一下标准的包结构, 还是比较方便 MCP 调试工具 : MCP 服务 官方文档: MCP 服务 MCP主要通信方式： 1. Stdio transport - Uses standard inpu…
3 分钟阅读阅读全文
7 微调 黑盒蒸馏 突破伦理限制
简介 SecGPT-Distill 是我自己做的一个实验模型, 开源地址: GitHub - godzeo/SecGPT-distill-boundless 主要功能是进行模型微调和知识蒸馏而来 这次是运用微调技术，来突破现有模型在处理安全相关问题时的各种限制和约束 不回答原理 大部分模型在面对敏…
7 分钟阅读阅读全文
6 RAG知识库 和 微调 如何选择?
因为其实很多时候, 微调和 RAG 都有达同样的效果, 那我们如果区分呢? 这个其实很好理解,我可以举一个非常好理解的例子: 前提场景: 参加一场专业的数学考试, 数学能力很强的大学生 (基座GPT模型) 1. RAG: 就是给这个大学生带一本相关的数学书,里面有各种习题和公式, 开卷考试, 如果…
4 分钟阅读阅读全文
5 什么情况下需要微调
这个问题其实很重要，因为现代大模型训练出来已经非常强大，可能真的不需要微调。 我们可以通过 RAG 或提示词工程来实现目标。 需要微调的场景与替代方案分析 微调(Fine-tuning)确实不是所有场景都必需的，特别是考虑到现代大型语言模型(LLMs)的强大基础能力 现代大型语言模型(LLMs)就…
3 分钟阅读阅读全文
从头训练小模型- 3 传统RLHF与DPO的区别
从头训练小模型: 3 传统RLHF与DPO的区别 这个步骤我其实是忽略了。如果我的目标是建立一个安全领域的模型，我个人理解这步骤并不太必要。关于人类偏好对齐：在前面的训练步骤中，模型已经具备了基本的对话能力。 此时模型还不知道什么是好的回答，什么是不好的回答。我们希望它能更符合人类偏好，降低产生让人…
3 分钟阅读阅读全文