AI 扫描器何时才算 AI 渗透测试？

AI 驱动的扫描器常常被当作 AI 渗透测试来宣传。这种逻辑很容易理解：如果它使用 AI 来检测漏洞、解释风险并给出修复建议，那它还能是什么呢？

但这种说法混淆了两件事：一是围绕某个发现做出更好的分析，二是以一种不同的方式来测试应用。

当一项测试的结果决定了接下来要调查什么时，AI 扫描器才成为 AI 渗透测试。

在第一个发现出现之后，两者的区别就显而易见了。

假设扫描器在一个 iOS 应用中发现了硬编码凭据。它识别出该密钥，为其分配严重程度，并将其加入报告。这很有用，但最重要的问题仍未得到回答：这个凭据有效吗？

在一次 Deep Agentic Scan 评估中，智能体没有立即报告硬编码的 Auth0 机器对机器凭据，而是对其进行了测试。

这些凭据确实有效，并签发了生产环境的 JWT。这证实了凭据处于活动状态，但也引出了一个更有意思的问题：这个令牌能访问什么？

智能体检查了令牌的作用域（scope）、受众（audience）和签名信息，发现同一组凭据可以用于向 Auth0 Management API 进行身份验证。

该 API 接受了这些凭据，但这个答案又引出了另一个问题：这种访问提供了哪些权限？

进一步测试揭示了管理员级别的能力，以及对整个租户范围内敏感用户信息的访问权限。调查从一个可疑的字符串，推进到了一条经过实证的攻击路径：

硬编码凭据 → 生产环境 JWT → Management API → 整个租户的用户数据

传统扫描器或许能够发现第一步。AI 渗透测试的价值在于，让每一个结果来决定下一项测试。

发现并不是终点

这正是 AI 渗透测试与简单地给扫描器加上 AI 的区别所在。Deep Agentic Scan 会研究应用、提出假设、选择安全工具、观察结果，并根据该结果决定接下来值得调查的内容。

它还会将可疑信号视为假设，而不是已确认的漏洞。在安全且可行的情况下，Deep Agentic Scan 会在报告之前验证发现，并以请求与响应、截图、复现步骤以及经过实证的攻击者路径等证据来支撑结论。这一以可利用性为核心的流程旨在减少误报、保持报告低噪声，但并不声称误报永远不会发生。

当攻击跨越多个组件时，同样的推理也很重要。在移动应用中发现的凭据可能会打开某个 API，而该 API 又可能签发受另一项服务信任的令牌。Deep Agentic Scan 不会把每个弱点都当作孤立的告警，而是能够保留它们之间的关联，并展示由此产生的影响。

这种调查方法可以应用于 Web 应用和 API 以及 Android 和 iOS 应用，包括所支持的需身份验证的工作流和相互连接的组件。

那么人工渗透测试人员呢？

AI 渗透测试并不会消除对人工测试人员的需求。人仍然能够带来业务背景、创造性的判断，以及调查自动化范围之外的异常情况的能力。

改变的是调查过程中可以重复执行的部分有多少。AI 渗透测试解决方案可以追踪线索、验证可疑行为、记录证据并复测修复结果，让人工专家专注于需要更深入背景知识的决策。

这为安全负责人评估 AI 渗透测试工具提供了更好的方法。不要只问某个产品是否使用了 AI，而要问：目标的响应能否改变系统的计划？

Ostorlab 的产品依然是 Deep Agentic Scan。AI 渗透测试描述的是其背后的方法论。

这就是 AI 扫描器成为 AI 渗透测试的时刻：不是在 AI 改进了报告的时候，而是在每一个答案都改变了调查方向的时候。